关键词：
图神经网络
电路表示学习
基于人工智能的电子设计自动化
摘要：
随着人工智能(AI)技术的不断进步,基于AI的电子设计自动化(EDA)逐渐崭露头角。这种新型EDA技术利用机器学习算法优化设计流程,不仅显著提升了设计效率,还激发了设计创新,使得更为复杂的集成电路设计成为可能。其中,电路表示学习作为一项新兴的研究领域,旨在通过学习算法自动提取电路的结构和功能特征,并将其映射到低维空间中进行表示。这种方法有助于深入理解电路行为,支持更加智能化的设计决策过程,从而提升设计质量和可靠性。
鉴于电路本质上是一种天然的图数据,基于图神经网络的电路表示学习已开始应用于各种EDA任务中。然而,由于EDA的设计和验证流程极其复杂,不同阶段的EDA任务所涉及的电路模型形式之间存在显著差异。例如,在逻辑综合阶段会处理组合电路与时序电路这两种数据类型;而在形式验证阶段,电路则需转换为因子图以支持布尔可满足性求解。此外,即使对于相同的电路形式,在应用于不同类型EDA任务时,所需建模的电路特性也大相径庭。例如,同样是组合电路,子电路边界识别任务仅需关注局部结构,而信号概率分析任务则需要考虑每个逻辑门的具体功能。因此,基于图神经网络的电路表示学习还处于初期发展阶段,与真实场景的需求仍有不小差距。
为了更好地实现基于图神经网络的电路表示学习,本文归纳了以下四方面的核心挑战:(1)如何在电路表示学习算法中建模电路多样的结构模式?(2)如何在电路表示学习算法中避免电路的逻辑功能混淆?(3)如何在电路表示学习算法中建模电路的时序动态?(4)如何在电路表示学习算法中有效利用形式验证的相关知识?针对上述挑战,本文系统地研究了基于图神经网络的电路表示学习算法。首先,本文提出了结构感知的电路表示学习算法,有效支持组合电路的子电路边界识别任务。接着,本文探讨了功能感知的电路表示学习算法,有效支持组合电路的信号概率分析任务。随后,本文研究了时序感知的电路表示学习算法,有效支持时序电路的翻转率预测任务。最后,本文开发了布尔可满足性感知的电路表示学习算法,有效支持形式验证阶段的求解时间预测任务。
本论文的主要工作与创新贡献如下:
一、针对组合电路表示学习中的结构建模问题,本文提出了一种基于双向搜索和异配图建模的电路表示学习方法。该方法首次揭示了现有电路表示学习算法在处理子电路边界互相关性和邻居异配性方面的不足。具体而言,本方法引入了一个包含双向搜索的感受野生成模块,以突破传统扇入锥或扇出锥的局限,从而捕捉更广泛的结构信息。此外,还设计了一个自适应聚合模块,能够为边界节点集成更多相关的上下文信息。实验结果表明,该算法显著提升了子电路输入边界预测和子电路输出边界预测的准确性和效率。
二、针对组合电路表示学习中的功能建模问题,本文提出了一种基于双极嵌入和可微分逻辑运算的电路表示学习方法。该方法首次指出现有电路表示学习算法在区分布尔逻辑操作方面的不足。为了解决这一问题,本方法引入了双极嵌入空间,使得每个逻辑门的0和1状态能够在独立的空间中得到表示,并设计了可微逻辑操作符以及功能感知的消息传递策略,以更精确地捕捉和处理电路的功能特性。实验结果显示,该算法显著提升了组合电路的信号概率预测和真值表距离预测的准确性和效率。
三、针对时序电路表示学习中的结构和功能建模问题,本文提出了一种基于GNN与Mamba混合架构的电路表示学习方法。该方法首次揭示了现有电路表示学习算法在处理时序电路的二元结构特性和动态功能方面的局限性。为了解决这些问题,本方法引入了四极嵌入机制,以更细致地捕捉电路状态;设计了逻辑传播模块,实现精确的状态转移模拟;提出了前驱令牌化策略和时钟驱动的令牌拓扑排序算法,以增强模型对时序电路动态行为的理解和预测能力。实验结果表明,该算法显著提升了时序电路翻转率预测和触发器相似度预测的准确性和效率。
四、针对电路表示学习的形式验证低效问题,本文提出了一种基于冲突驱动模拟的电路表示学习算法。该方法首次指出现有电路表示学习算法在处理形式验证时忽略了关键信息,例如非时序回溯、重启机制以及子句学习等重要步骤。为了解决这些问题,本方法引入了自适应聚合策略,以动态调整节点之间的信息聚合方式;设计了虚拟更新机制,增强模型对复杂逻辑关系的理解能力;并提出了跳跃知识策略,模拟冲突分析和学习的关键过程。实验结果显示,该算法提升了形式验证阶段求解时间预测的准确性和效率。
欢迎来到三峡大学图书馆！
