R2G：从RTL到GDSII的多视图电路图基准套件
计算机视觉与模式识别
2026-04-13 v1 机器学习
摘要
图神经网络(GNN)日益用于物理设计任务，如拥塞预测和线长估计，但进展受限于电路表征的不一致以及缺乏受控评估协议。我们提出R2G(RTL-to-GDSII)，一个覆盖30个开源IP核(最高达节点/边)的多视图电路图基准套件，标准化了五个阶段感知视图(每个视图编码相同的属性集，仅在特征附着位置不同)。R2G提供从综合、布置到路由的端到端DEF到图管线，包括加载器、统一划分、领域指标和可复现基线。通过解耦表征选择与模型选择，R2G隔离了先前EDA和图ML基准未加控制的混淆因素。在针对GINE、GAT和ResGatedGCN的系统研究中，我们发现：(i) 表征选择在模型选择中占主导地位，固定GNN后测试R²在不同表征间差距超过0.3；(ii) 节点中心视图在布置和路由方面都能获得最佳泛化；(iii) 解码器头深度(3-4层)是主要精度驱动因素，使训练过程收敛至接近完美预测(R²>0.99)。代码和数据集已提供于https://github.com/ShenShan123/R2G。
引用
@article{arxiv.2604.08810,
title = {R2G: A Multi-View Circuit Graph Benchmark Suite from RTL to GDSII},
author = {Zewei Zhou and Jiajun Zou and Jiajia Zhang and Ao Yang and Ruichao He and Haozheng Zhou and Ao Liu and Jiawei Liu and Leilei Jin and Shan Shen and Daying Sun},
journal= {arXiv preprint arXiv:2604.08810},
year = {2026}
}
备注
Accepted as a poster by CVPR2026