库单元向量空间表示的学习
机器学习
2025-04-01 v1 硬件体系结构
摘要
我们提出了 Lib2Vec，一个新型的自监督框架，用于高效学习库单元的有意义向量表示，使ML模型能够捕获关键单元语义。该框架包含三个关键组件：(1) 自动生成规律性测试的方法，用于量化评估单元表示如何反映单元间关系；(2) 系统从Liberty文件中提取训练数据的自监督学习方案，无需昂贵的标注；(3) 能够适应各种引脚数量的注意力模型架构，实现属性特定的单元和弧嵌入。实验结果表明，Lib2Vec有效捕获了功能和电气相似性。此外，向量代数运算揭示了有意义的关系，如 vector(Buf) - vector(INV) + vector(NAND) ~ vector(AND)，展示了该框架的细粒度表示能力。Lib2Vec还能增强下游电路学习应用，尤其在标注数据稀缺时。
引用
@article{arxiv.2503.22900,
title = {Learning Library Cell Representations in Vector Space},
author = {Rongjian Liang and Yi-Chen Lu and Wen-Hao Liu and Haoxing Ren},
journal= {arXiv preprint arXiv:2503.22900},
year = {2025}
}