DE-HNN: An effective neural model for Circuit Netlist representation

芯片设计中使用的优化工具的运行时间随着设计复杂性的增加而增加，已经到了需要几天才能完成一个设计周期的地步，成为了瓶颈。设计师们希望能够快速获得反馈的快速工具。通过使用过去设计的工具的输入和输出数据，可以尝试构建一个机器学习模型，以比运行该工具更短的时间预测设计的结果。这种模型的准确性受到设计数据表示的影响，这通常是一个描述数字电路元素及其连接方式的网表。已经研究了网表的图表示和图神经网络用于此类模型。然而，网表的特性对现有的图学习框架提出了几个挑战，由于节点数量众多以及节点之间的长程相互作用的重要性。为了解决这些挑战，我们将网表表示为一个有向超图，并提出了一种方向等变超图神经网络(DE-HNN)，用于有效地学习(有向)超图。从理论上讲，我们展示了我们的DE-HNN可以普遍逼近任何基于节点或超边的函数，这些函数满足有向超图的置换等变和不变性质。我们将提出的DE-HNN与几种最先进的(hyper)graph和netlist机器学习模型进行比较，并展示DE-HNN在直接从输入网表预测优化放置和路由工具的结果方面显著优于它们。我们使用的源代码和网表数据可在https://github.com/YusuLab/chips.git公开获取。

如何通过机器学习模型加速芯片设计中的优化工具，以解决设计周期长的问题？

将芯片设计中的电路元素和连接关系表示为有向超图，并提出了方向等变超图神经网络（DE-HNN）的方法，以有效学习有向超图。该模型具有普适逼近任何基于节点或超边的函数的能力，并在预测优化工具结果方面显著优于现有的机器学习模型。

该论文设计了一种新的神经网络模型DE-HNN，用于有效学习有向超图，从而加速芯片设计中的优化工具。该模型在预测优化工具结果方面显著优于现有的机器学习模型。研究人员使用公开数据集进行了实验，并开源了代码。

最近的相关研究包括使用图神经网络对电路进行建模和预测的研究，如GraphRNN和GatedGraphNN。