DeepGate3:面向可扩展电路表示学习
该研究介绍了使用强化学习和图卷积神经网络实现电路自动设计中的跨电路知识转移并在四种电路中实现了最优Figures of Merit (FoM)优化结果的方法,并对使用转移学习的情况进行了评估,证明了知识转移的重要性。
Apr, 2020
本文介绍了一种用于电路设计的监督式预训练方法,利用神经网络(NN)和图神经网络(GNN),以预测输出等效电路的直流电压,提升了新电路结构或未见过的预测任务的可适应性和样本效率。
Mar, 2022
本文提出了一种专为时序电路设计而设计的DeepSeq电路表示学习框架,其中包括了一个带有定制传播方案的图神经网络(GNN)以及双任务训练目标和双注意力聚合机制,实验结果表明DeepSeq在时序电路学习中表现更优异。
Feb, 2023
本文提出一种基于深度学习的Verilog自动补全模型的训练框架,该框架通过将通用编程语言预训练模型与类似目标下游任务的数据集集成并进行微调来验证,实验结果表明,该框架相比于从头开始训练的模型,具有更好的BLEU、ROUGE-L和chrF评分。
Apr, 2023
本研究提出 DeepGate2,一种新型功能感知学习框架,其使用逐对真值表之间的差异作为训练监督,并考虑电路的特性,设计了一个高效的图神经网络模型,从而在逻辑综合和布尔可满足性求解任务中表现出了显著的改进。
May, 2023
该论文介绍了一种用于模拟电路设计自动化的电路图神经网络(CktGNN),通过编码电路图并基于优化子程序自动生成电路拓扑结构和器件尺寸,提高了设计效率。同时,引入了一个名为OCB的公开数据集,用于评估和推广CktGNN在设计各种模拟电路方面的优越性能。该研究为一种基于学习的开源设计自动化模式在模拟电路领域铺平了道路。
Aug, 2023
本文提出了一种新颖的电路设计方法,将电路组件视为点云,并使用基于Transformer的点云感知方法从电路中提取特征,实现了直接从原始数据进行特征提取,无需预处理,可进行端到端训练,并实现了高性能。该方法在拥堵预测任务和设计规则检查(DRC)违规预测任务中都取得了最先进的性能,并在对开放型EDA设计的研究中提供了源代码和预训练模型。
Oct, 2023
HOGA是一种基于注意力机制的模型,能够在大规模、复杂电路问题中可扩展且具有泛化性,通过预先计算节点的逐跳特征并使用门控自注意力模块生成节点表示,自适应地学习不同跳之间的重要特征,因而适应不同电路结构,可在分布式环境下高效训练。在实验证明,与常规图神经网络相比,HOGA在逻辑综合后的结果质量预测方面减少了46.76%的估计误差,在复杂技术映射后的看不见门级网络列表上识别功能块方面,HOGA的推理准确率提高了10%,而HOGA的训练时间几乎与计算资源的增加成线性关系。
Mar, 2024
通过预测下一个逻辑门,使用基于Transformer的神经模型对电子设计任务进行了改进,取得了显著的性能提升,并保持了严格的等效性约束。
Mar, 2024
设计工具的运行时间随着芯片设计的复杂性增加而增长,这已成为一个瓶颈。我们提出了一种将网络列表表示为有向超图,并提出了一种用于有效学习(有向)超图的模型,与现有的图学习框架相比,DE-HNN显著提高了设计优化工具的精确度。
Mar, 2024