使用基于 GNN 的区域预测在大规模网表中实现目标电路匹配

子图匹配在电子设计自动化（electronic design automation, EDA）与电路验证中发挥着重要作用。传统的基于规则的方法在泛化到任意目标电路时存在局限性。此外，节点到节点的匹配方法通常计算效率低下，尤其对于大规模电路而言。深度学习方法已成为应对这些挑战的潜在解决方案，但现有模型无法高效捕获全局子图嵌入，或依赖于低效的匹配矩阵，这限制了它们在大型电路中的有效性。在本文中，我们提出一种高效的图匹配方法，利用图神经网络（Graph Neural Networks, GNNs）预测包含目标电路概率较高的区域。具体而言，我们构建了各种负样本以使 GNNs 能够准确学习目标电路的存在，并开发了一种直接从整个电路中提取子图嵌入的方法，该方法捕获了全局子图信息，并解决了将 GNNs 应用于所有候选子图时的低效问题。大量实验表明，我们的方法在时间效率和目标区域预测方面显著优于现有方法，为大规模电路中的子图匹配提供了一种可扩展且有效的解决方案。