論文「R2G: A Multi-View Circuit Graph Benchmark Suite from RTL to GDSII」の技術的サマリー

本論文は、電子設計自動化（EDA）における物理設計タスク（配置、配線など）へのグラフニューラルネットワーク（GNN）の応用を促進するため、R2G（RTL-to-GDSII）と呼ばれる新しいベンチマークスイートを提案したものです。既存のEDAデータセットが抱える「回路表現の不整合」と「評価プロトコルの欠如」という課題を解決し、GNN の性能を公平に比較・評価できる基盤を提供しています。

以下に、問題定義、手法、主要な貢献、実験結果、および意義について詳細を記述します。

---

1. 背景と問題定義

1.1 現状の課題

• 表現の不整合: EDA 分野では、配置（Placement）や配線（Routing）などの物理設計タスクに GNN が適用されつつありますが、回路のグラフ表現（ノードとエッジの定義、特徴量の付け方）が研究ごとに異なっています。
• 評価の困難さ: 既存のベンチマーク（CircuitNet など）では、グラフの表現方法とタスク固有のラベルが密接に結びついており、「モデルのアーキテクチャの優位性」と「グラフ表現の選択の優位性」を分離して評価することが困難です。
• 一般化の欠如: 一般的なグラフ ML ベンチマーク（OGB, TUDataset など）は、物理設計に必要な「幾何学的属性」や「多端子ハイパーエッジ」を扱えず、EDA 特有の階層構造や空間制約を反映していません。

1.2 解決すべき課題

同一の回路に対して、異なるグラフ表現（ビュー）を用いた場合、モデルの性能がどのように変化するかを統制的に（Controlled）評価できる環境の欠如。

---

2. 提案手法：R2G ベンチマークスイート

R2G は、RTL（Register Transfer Level）から GDSII（レイアウトデータ）までのフロー全体をカバーし、30 のオープンソース IP コア（最大 10 万ノード/エッジ規模）を対象としたデータセットです。

2.1 多視点（Multi-View）回路グラフ

同一の回路に対して、5 つの異なるグラフビューを定義し、情報等価性（Information Parity）を維持しています。つまり、どのビューでも同じ属性セットが利用可能であり、特徴量がどのエンティティ（ノードまたはエッジ）に付与されるかのみが異なります。

1. **View **(b)：ゲート、ピン、ネット、IO のすべてをノードとし、タイプ付きエッジで関係性を表現。最もセマンティクスを網羅。
2. **View **(c)：ピンをエッジとして表現し、ゲートとネットをノードとする。
3. **View **(d)：ネットをエッジとして表現し、ゲート間のペアワイズ接続を強調。
4. **View **(e)：ネットとゲートの所属関係を二分グラフ形式のエッジで表現。
5. **View **(f)：ピンノードを削除し、ゲート間のネットをエッジとする（スケーラビリティ重視）。

2.2 エンドツーエンドのパイプライン

• データ生成: OpenROAD フローを用いて RTL から GDSII までの物理設計を行い、DEF（Design Exchange Format）ファイルからグラフを自動抽出します。
• 特徴量とラベル:
  • 配置タスク: 半周ワイヤ長（HPWL）をラベルとして使用。
  • 配線タスク: 実際の配線ワイヤ長とビア数をラベルとして使用。
  • 特徴量は、配置段階と配線段階で物理的に意味のある情報（座標、向き、層情報など）を DEF ファイルから抽出し、各ビューに整合性を持って付与します。
• 統一された評価: 30 の回路を統一されたトレーニング/検証/テストセットに分割し、再現可能なベースライン（GINE, GAT, ResGatedGCN）を提供します。

---

3. 主要な発見と実験結果

GNN ベースライン（GINE, GAT, ResGatedGCN）を用いた系統的な評価から、以下の重要な知見が得られました。

3.1 グラフ表現の選択がモデル選択よりも重要

• 発見: 固定された GNN モデルであっても、使用するグラフビュー（表現）を変えるだけで、テスト時の決定係数（Test R²）が0.3 以上変動しました。
• 意味: モデルのアーキテクチャよりも、「どのように回路をグラフ化するか（ビューの選択）が性能を支配する要因であることが示されました。これにより、以前の研究で見逃されていた混同変数（Confounder）が特定されました。

3.2 ノード中心ビューの優位性

• 配置・配線両方で最強: どのタスクにおいても、**View **(b)（すべての要素をノードとする表現）が最も高い汎化性能を示しました。
• 理由: 配置タスクはゲートの座標予測が目的であり、配線タスクも幾何学的な制約と密接に関連するため、ノードに空間情報を直接付与できる View (b) が物理設計のインダクティブバイアスに最も適合しています。
• 他のビュー: View (f)（従来の AIG 等価表現）は配置タスクでは性能が低く、View (e) はラベルとビューのミスマッチにより性能が崩壊するケースがありました。

3.3 デコーダーヘッドの深さが性能の決定要因

• 発見: GNN のメッセージパッシング層（バックボーン）の深さよりも、デコーダーヘッドの深さ（3〜4 層）が精度向上の主要な要因でした。
• 結果: ヘッド層を 1 層から 3〜4 層に増やすことで、配置タスクでは R²が -0.17 から 0.99 以上へ劇的に向上し、配線タスクでは NaN 発散が解消され、ほぼ完璧な予測（R² > 0.99）が可能になりました。
• 意味: 既存のベンチマークでは見逃されていた「ヘッド設計」の重要性が浮き彫りになりました。

---

4. 主要な貢献

1. 初となる多視点回路グラフベンチマーク: 物理設計の 5 つの段階的ビューを情報等価性を持って標準化し、表現効果を統制的に研究できる初のフレームワークを提供。
2. クロスビュー知見の提示: 「表現の選択がモデルの選択よりも重要である」「ノード中心ビューが最も堅牢である」という、EDA 分野における新たな指針を提示。
3. デコーダーヘッド深度の重要性の解明: GNN の深さよりもヘッドの深さが精度と安定性を決定づけるという、これまでにない発見。
4. オープンソースパイプラインの提供: DEF からグラフへの変換パイプライン、ローダー、統一スプリット、再現可能なベースラインコードを GitHub で公開。

---

5. 意義と今後の展望

5.1 学術的・実用的意義

• 公平な比較の実現: 回路表現の違いによる影響を分離することで、GNN モデルそのものの能力を真に評価できるようになりました。
• EDA への AI 導入の加速: 物理設計タスクにおいて、どのグラフ表現が有効かを明確に示すことで、研究者や実務者が適切なモデル設計を行う際の指針となります。
• 一般化可能性: 既存の単一ビューのデータセットに依存せず、多様な表現を扱えるため、より広範な物理設計課題への応用が期待されます。

5.2 今後の課題

• 技術ノードの拡大: 現在のデータセットは限られた技術ノードに依存しており、より多様なプロセスノードへの対応が必要。
• タスクの拡張: 現在、配置と配線が中心だが、タイミング解析、IR ドロップ、電力解析など、より多様な物理設計タスクへの拡張。
• モデルの進化: 従来の GNN だけでなく、Graph Transformer や MoE（Mixture of Experts）などの最新アーキテクチャへの対応。

---

結論

R2G は、EDA とグラフ ML の交差点において、「表現の選択」が「モデルの選択」よりも重要であるという重要な洞察を提供し、物理設計タスクにおける AI モデルの評価基準を再定義しました。特に、デコーダーヘッドの設計が精度の鍵を握るという発見は、今後の EDA 向け AI モデル開発において重要な指針となります。