DeepGate3: Towards Scalable Circuit Representation Learning

电路表示学习在推动电子设计自动化（EDA）领域方面已经展现出了良好的结果。现有模型，如DeepGate Family，主要利用图神经网络（GNN）将电路网表编码为门级嵌入。然而，基于GNN的模型的可扩展性受到架构限制的根本制约，影响其在各种复杂电路设计中的泛化能力。为了解决这些挑战，我们引入了DeepGate3，这是一种增强的架构，它在初始的GNN处理后集成了Transformer模块。这种新颖的架构不仅保留了其前身DeepGate2的强大门级表示能力，而且通过一种新颖的汇聚Transformer机制增强了它们对子电路的建模能力。DeepGate3还通过多个创新的监督任务进行了进一步的改进，显著增强了其学习过程，并实现了对门级和子电路结构的优越表示。我们的实验表明，与传统的基于GNN的方法相比，DeepGate3在可扩展性和泛化能力方面有了显着的提高，这是电路表示学习技术的重大进步。

DeepGate3试图解决电路表示学习中GNN模型的可扩展性问题，以及在建模子电路方面的挑战。

DeepGate3在GNN处理后集成了Transformer模块，通过新颖的池化Transformer机制增强了对子电路的建模能力，并使用多个创新的监督任务进一步提高学习过程。

论文实验表明DeepGate3相比传统的GNN模型在可扩展性和泛化能力方面有显著提高，使用了多个数据集进行评估，并提供了开源代码。值得进一步研究的工作包括如何进一步增强对子电路的建模能力，以及如何将该方法应用于更广泛的电路设计任务中。

相关研究包括DeepGate系列模型，以及其他使用GNN进行电路表示学习的工作，如Graph2Net和CircuitGNN。