🤖 machine learning

R2G: A Multi-View Circuit Graph Benchmark Suite from RTL to GDSII

Il paper presenta R2G, una suite di benchmark multi-vista che standardizza le rappresentazioni dei circuiti dall'RTL al GDSII per isolare l'impatto della scelta della rappresentazione rispetto a quella del modello nelle reti neurali grafiche applicate al design fisico.

Autori originali: Zewei Zhou, Jiajun Zou, Jiajia Zhang, Ao Yang, Ruichao He, Haozheng Zhou, Ao Liu, Jiawei Liu, Leilei Jin, Shan Shen, Daying Sun

Pubblicato 2026-04-13

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Zewei Zhou, Jiajun Zou, Jiajia Zhang, Ao Yang, Ruichao He, Haozheng Zhou, Ao Liu, Jiawei Liu, Leilei Jin, Shan Shen, Daying Sun

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover costruire una città futuristica. Non stai solo disegnando gli edifici su un foglio di carta (il progetto iniziale, o RTL); devi anche decidere esattamente dove posizionarli, come collegarli con strade e ponti, e assicurarti che il traffico (i segnali elettrici) scorra senza ingorghi. Questo processo è chiamato "Progettazione Fisica" nell'industria dei chip elettronici.

Fino a poco tempo fa, gli scienziati che usavano l'Intelligenza Artificiale (AI) per aiutare in questo compito si scontravano con un grande problema: non parlavano la stessa lingua.

Ecco di cosa parla il paper R2G (da RTL a GDSII), tradotto in parole semplici:

1. Il Problema: Troppi modi per dire la stessa cosa

Immagina di dover insegnare a un robot a guidare un'auto.

Il Metodo A gli dai una mappa con le strade disegnate.
Il Metodo B gli dai una lista di coordinate GPS.
Il Metodo C gli dai una descrizione verbale dei turni.

Se provi ad addestrare il robot con il Metodo A e poi dici "Oh, il robot è stupido", non sai se è colpa del robot (l'AI) o della mappa (il modo in cui hai descritto il mondo).

Nell'industria dei chip, succedeva esattamente questo. Ogni ricercatore usava un modo diverso per trasformare il progetto del chip in un "grafo" (una rete di nodi e collegamenti) per l'AI. Alcuni mettevano i fili come nodi, altri come collegamenti. Risultato? Non si poteva sapere chi avesse l'AI migliore, perché stavano tutti giocando con regole diverse.

2. La Soluzione: R2G, il "Laboratorio Standardizzato"

Gli autori di questo paper hanno creato R2G, che è come un gioco da tavolo standardizzato per testare le AI.

Hanno preso 30 progetti di chip reali (come piccoli computer o controller video) e li hanno trasformati in 5 modi diversi (chiamati "viste"), ma con una regola d'oro: tutte le 5 viste contengono esattamente le stesse informazioni, solo organizzate in modo diverso.

È come se avessi 5 fotografie dello stesso oggetto:

Una vista dall'alto.
Una vista laterale.
Una vista a raggi X.
Una vista in 3D.
Una vista schematica.

Ogni foto mostra lo stesso oggetto, ma da un'angolazione diversa. Questo permette di dire: "Ok, proviamo la stessa AI su tutte e 5 le foto. Quale foto fa capire meglio all'AI come funziona il chip?"

3. Le Scoperte Sorprendenti (Cosa hanno imparato)

Testando diverse intelligenze artificiali su questo laboratorio standard, hanno scoperto tre cose fondamentali:

La "Fotografia" conta più del "Fotografo":
Hanno scoperto che il modo in cui si presenta il dato (quale delle 5 viste si usa) è molto più importante del tipo di AI che si sceglie. Cambiare la "vista" poteva migliorare o peggiorare i risultati di un'AI di oltre il 30%. È come dire che per fare una buona foto, l'angolazione è più importante della marca della macchina fotografica.
- La vista vincente: Quella che tratta ogni componente (porte, fili, chip) come un "nodo" centrale (una sorta di mappa completa) ha funzionato meglio di tutte le altre.
L'AI non ha bisogno di essere "profonda", ma di avere un "cervello finale" forte:
Spesso si pensa che per fare AI potente servano reti neurali enormi e profonde (come un grattacielo). Qui hanno scoperto che non è così. Quello che conta davvero è lo strato finale dell'AI (il "decoder"), quello che prende le informazioni e fa la previsione finale.
- L'analogia: Immagina un cuoco (l'AI) che raccoglie ingredienti (i dati). Non importa se il cuoco ha 10 anni di esperienza (reti profonde); se non ha un buon piatto finale (lo strato di decisione), il cibo verrà male. Aggiungere 3 o 4 strati a questo "piatto finale" ha trasformato previsioni sbagliate in previsioni perfette (quasi 100% di accuratezza).
Non esiste un modo unico per tutto:
Per posizionare i chip (dove metterli), serve una vista che tenga conto della geometria. Per il routing (come collegarli), serve una vista che tenga conto dei collegamenti. Ma la vista "completa" (quella con tutti i nodi) è stata la più robusta per entrambi i compiti.

4. Perché è importante per tutti noi?

Prima di R2G, se un'azienda voleva usare l'AI per progettare chip più veloci, doveva fare un sacco di tentativi ed errori, rischiando di scegliere l'AI sbagliata solo perché aveva usato il modo sbagliato per mostrare i dati.

Ora, con R2G:

Gli scienziati possono confrontare le loro idee in modo equo.
Le aziende possono costruire AI più efficienti per progettare chip.
Alla fine, questo significa chip più veloci, che consumano meno energia e costano meno, perché l'AI aiuta a trovare le soluzioni migliori molto più rapidamente.

In sintesi: R2G è stato come creare un "campo di calcio" con regole chiare e un pallone standard, permettendo a tutti i giocatori (le AI) di dimostrare davvero chi è il migliore, senza che il risultato dipenda dal tipo di erba o dalla forma del pallone.

1. Il Problema

L'automazione della progettazione elettronica (EDA) basata sull'Intelligenza Artificiale sta crescendo rapidamente, con modelli di Deep Learning applicati a compiti di design fisico come il placement (posizionamento) e il routing (instradamento). Tuttavia, il progresso in questo campo è ostacolato da due fattori critici:

Incoerenza delle rappresentazioni: Non esiste uno standard unificato su come rappresentare i circuiti come grafi. Le rappresentazioni variano notevolmente tra le diverse fasi del design (dalla logica RTL alla layout fisica GDSII).
Mancanza di protocolli di valutazione controllata: Nei benchmark esistenti, la scelta della rappresentazione del grafo (la "vista") è spesso intrinsecamente legata al compito o al modello, rendendo impossibile isolare l'impatto della rappresentazione stessa sulle prestazioni del modello. Spesso non è chiaro se un modello performa bene grazie alla sua architettura o semplicemente perché la rappresentazione del grafo scelta è più adatta al compito.

2. Metodologia: R2G (RTL-to-GDSII)

Gli autori propongono R2G, una suite di benchmark multi-vista che standardizza la rappresentazione dei circuiti su 30 core IP open-source (fino a $10^6$ nodi/archi).

A. Dataset e Pipeline

Corpus: 30 progetti open-source (processori, DSP, crittografia, controller) che coprono un'ampia gamma di complessità.
Flusso End-to-End: La pipeline parte dai file DEF (Design Exchange Format) generati dal flusso OpenROAD (dalla sintesi logica fino al routing dettagliato).
Parità Informativa: Il contributo fondamentale è la creazione di 5 viste distinte dello stesso circuito fisico, garantendo che ogni vista contenga esattamente lo stesso insieme di attributi (parità informativa), differendo solo nel modo in cui le entità (gate, net, pin, I/O) sono mappate su nodi o archi del grafo.

B. Le 5 Viste del Grafo

Il paper definisce cinque rappresentazioni complementari (illustrate nella Figura 3 del paper):

(b) All-elements-as-nodes: Gate, pin, net e I/O sono tutti nodi. Massima copertura semantica.
(c) Pins-as-edges: I pin diventano archi tra nodi gate e net.
(d) Nets-as-edges: Le net diventano archi tra nodi gate (connessione pairwise).
(e) Net-Gate incidence-as-edges: Formulazione bipartita dove le net sono nodi e i gate sono nodi, collegati da archi di appartenenza.
(f) Net edges without pin nodes: I nodi pin sono rimossi; le net sono archi tra gate (simile alle viste AIG usate in sintesi logica).

C. Feature e Label

Feature: Vengono estratte direttamente dai file DEF (coordinate X/Y, orientamento, tipo di cella, area, leakage power, ecc.). La stessa set di feature è disponibile in tutte le viste, attaccato al nodo o all'arco appropriato.
Task e Label:
- Placement: Previsione dell'HPWL (Half-Perimeter Wirelength) basata sulle bounding box delle net.
- Routing: Previsione della lunghezza esatta dei fili instradati e del conteggio dei via.

3. Contributi Chiave

Benchmark Multi-Vista Controllato: È il primo framework che permette di studiare l'effetto della rappresentazione del grafo isolandolo dal modello e dal compito, mantenendo fissi circuiti e task.
Pipeline Open-Source: Fornisce loader, split unificati (train/val/test), metriche di dominio e baseline riproducibili.
Scoperte Empiriche: Dimostra che la scelta della vista è più importante della scelta del modello GNN.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su tre architetture GNN classiche: GINE, GAT e ResGatedGCN.

A. Dominanza della Scelta della Vista

La scelta della vista ha un impatto maggiore della scelta del modello. Per un GNN fisso, il punteggio $R^2$ (coefficiente di determinazione) varia di oltre 0.3 al variare della vista.
Le classifiche dei modelli cambiano radicalmente a seconda della vista utilizzata (es. GAT performa bene solo su una vista specifica, mentre ResGatedGCN è più stabile su altre).

B. Le Viste "Node-Centric" sono Superiori

La vista (b) All-elements-as-nodes si è rivelata la più robusta e performante sia per il placement che per il routing.
Le viste basate solo su archi (come la vista f, comunemente usata in sintesi logica) hanno mostrato prestazioni inferiori nei task di design fisico, suggerendo che la rappresentazione "all-elements" preserva meglio le informazioni geometriche e topologiche necessarie.

C. Profondità del Decoder (Head)

Un risultato controintuitivo e cruciale: la profondità del decoder-head (gli strati finali che mappano le embedding ai target) è il fattore determinante per l'accuratezza, più della profondità del GNN stesso.
Aumentare gli strati dell'head da 1 a 3-4 ha trasformato l'addestramento da instabile (o con $R^2$ negativo) a quasi perfetto ( $R^2 > 0.99$ ).
Gli strati GNN profondi (più di 4) tendono a causare over-smoothing e degradazione delle prestazioni, mentre un head sufficientemente profondo è necessario per linearizzare e normalizzare la mappatura verso le coordinate fisiche.

5. Significato e Implicazioni

Per la Ricerca EDA: R2G risolve il problema della confusione tra rappresentazione e modello, fornendo un terreno di prova standardizzato. Suggerisce che la comunità dovrebbe concentrarsi meno sull'architettura del GNN e più sulla corretta formulazione del grafo e sulla progettazione del decoder.
Raccomandazioni Pratiche:
- Utilizzare la vista (b) come rappresentazione predefinita per task di placement e routing.
- Utilizzare architetture GNN compatte (3-4 strati) per evitare l'over-smoothing.
- Prioritizzare la configurazione dell'head (3-4 strati) rispetto all'aumento della profondità del modello.
Futuro: Il lavoro apre la strada a task più complessi (timing, IR-drop) e all'uso di architetture più avanzate (Transformers, MoE) su basi di dati standardizzate.

In sintesi, R2G dimostra che nel dominio dell'EDA, come si rappresenta il circuito è più importante di quale modello si usa, e che la capacità del decoder finale è il vero motore delle prestazioni predittive.