面向 And-Inverter Graph 卷积神经网络的关系逻辑电路建模
人工智能
2025-08-21 v3
摘要
逻辑电路设计的自动化有助于提升芯片的性能、能源效率和可靠性，在电子设计自动化(EDA)领域得到广泛应用。And-Inverter Graphs (AIGs) 高效地表示、优化和验证数字电路的功能特征，提升了 EDA 开发的效率。由于现实世界 AIGs 的复杂结构和大规模节点，准确建模具有挑战性，导致现有工作缺乏对功能和结构特征的联合建模能力，以及信息传播能力不足。为此，我们提出了 AIGer。具体而言，AIGer 包含两个组件：1) 节点逻辑特征初始化嵌入组件和2) AIGs 特征学习网络组件。节点逻辑特征初始化嵌入组件将逻辑节点（如 AND 和 NOT）投影到独立的语义空间，以实现后续处理的有效节点嵌入。基于此，AIGs 特征学习网络组件采用异构图卷积网络，设计动态关系权重矩阵和差异化信息聚合方法，以更好地代表 AIGs 的原始结构和信息。这两个组件的结合增强了 AIGer 联合建模功能和结构特征的能力，并提高了其信息传递能力。实验结果表明，AIGer 在信号概率预测(SSP)任务中超越当前最佳模型，MAE 和 MSE 分别改进了 18.95% 和 44.44%。在真值表距离预测(TTDP)任务中，AIGer 相较于表现最佳的模型，MAE 和 MSE 分别提升了 33.57% 和 14.79%。
引用
@article{arxiv.2508.11991,
title = {Modeling Relational Logic Circuits for And-Inverter Graph Convolutional Network},
author = {Weihao Sun and Shikai Guo and Siwen Wang and Qian Ma and Hui Li},
journal= {arXiv preprint arXiv:2508.11991},
year = {2025}
}