ParasGB: A Graph Benchmark Suite for Parasitic Estimation on AMS Circuits

あなたは、レゴブロックで巨大で複雑な街を作っているところを想像してみてください。計画の初期段階では、道路、家、公園をどこに配置するかをスケッチします。あなたはこう考えるかもしれません。「この道は短そうだから、車は素早く通り抜けられるだろう」と。しかし、現実の世界では、実際に街を建設してみると、道路は思っていたよりも狭かったり、予期せぬ信号機があったり、地面の下が柔らかくて（ぐにゃぐにゃしていて）、すべてを遅らせてしまうことに気づいたりします。チップの世界では、この「ぐにゃぐにゃした地面」や「狭い道路」は、**寄生容量（パラシティクス）**と呼ばれます。これらは、物理的にチップが作られる際に忍び寄る、抵抗や容量といった目に見えない不要な電気的効果です。これらの効果は、高速で効率的な設計を、鈍重で過熱するひどいものに変えてしまう可能性があります。

数十年もの間、チップ設計者は、物理的なレイアウトを構築するために数ヶ月と数百万ドルを費やした後、つまりプロセスの最後になって初めて、これらの寄生容量を測定しなければなりませんでした。もしチップが遅すぎた場合、彼らはすべてを壊して最初からやり直さなければなりません。これは、レゴの街がテーブルに対して重すぎることに気づいたのが、すべてのブロックを接着し終えた後だった、というようなものです。これは、「推測して確認する」という、遅くて高価なゲームです。最近、科学者たちは、これらの問題を早期に予測するために、**グラフニューラルネットワーク（GNN）**と呼ばれる一種の人工知能を使用し始めました。GNNを、設計図（回路図）を見て、実際にレンガが置かれる前に、完成した街がどのような姿になり、そこにどのような隠れた交通渋滞が発生するかを予測しようとする、超スマートな探偵だと考えてください。しかし、これまでは、誰もが自分たちの秘密の設計図を使ってAIを訓練していたため、これらのAI探偵が本当に優秀な仕事をしているのかをテストする公平な方法がありませんでした。

本論文では、これらのAI探偵のための新しいオープンソースの「訓練場」であるParasGBを紹介します。研究者たちは、すでに製造され、テストに成功した（「テープアウト」と呼ばれるプロセスを経た）実世界のチップ設計からなる、大規模で標準化されたライブラリを作成しました。彼らはこれらの実際のチップから正確な電気データを抽出し、AIが解くべき巨大なパズルへと変換しました。本論文は、標準的なAIモデルがこのタスクに苦戦すること（多くの場合、これらの電気的効果の大きさの違いに混乱する）を明らかにしていますが、チップ回路のために特別に設計されたモデルは、はるかに優れた性能を発揮することを示しています。著者らは、この新しいベンチマークを使用することで、異なるAI手法を公平に比較し、どの手法が、コストのかかるミスを犯すことなく、より速く、より優れたチップを設計するのを真に助ける準備ができているかを特定できることを示しています。

ParasGBの物語

問題点：機械の中の「幽霊」

あなたがレーシングカーを設計していると想像してください。あなたは紙の上で完璧なエンジンと空力ボディを描きます。しかし、使用する金属が思っていたよりもわずかに重いことや、実際に車が動くと風がどのように当たるかについては知りません。チップ設計において、これらの「幽霊」は寄生抵抗および寄生容量です。抵抗は電気を遅らせる摩擦のようなものであり、容量は電気電荷を吸い込むスポンジのようなものです。砂粒よりも小さい現代のチップにおいて、これらの効果は非常に大きくなります。これらは信号の旅における遅延の最大80%を占めることもあります。

伝統的に、設計者は物理的なレイアウトを完了した後にのみ、これらの幽霊の存在を知ることになります。もしチップが遅すぎれば、レースがすでに始まってからエンジンの再設計を行うような、設計変更を余儀なくされます。このサイクルは遅く、非常に高価です。この研究の目的は、AIを使用して設計図を見て、「おい、このワイヤーは細すぎるし、あの部分は熱くなりすぎるぞ」と言えるように、チップが作られる前にこれらの幽霊を予測することです。

足りなかったピース：公平なテスト

しばらくの間、研究者たちは、これらの寄生容量を予測するためのAIモデル（具体的にはグラフニューラルネットワーク）を構築しようとしてきました。しかし、大きな問題がありました。それは、誰が最も優れているかを判断するための共通のテストが存在しなかったことです。それは、5つの異なる自動車学校があり、それぞれが異なる秘密のコースで生徒をテストしているようなものです。ある学校は小さなコースを使い、ある学校は巨大なコースを使い、ある学校は土の上を、ある学校は氷の上を走ります。標準的なコースがなければ、その生徒が優れたドライバーなのか、それとも単に運が良かっただけなのかを判断できません。

本論文は、これまでの試みが、小さすぎる、あるいは時代遅れ、またはプライベートなデータに依存していたために行き詰まっていたと主張しています。おもちゃの車だけで訓練していては、世界クラスのAIを構築することはできません。研究者たちは、これらのモデルを公平に訓練しテストするために、実在する動作中のチップからの大規模で高品質なデータセットを必要としていました。

解決策：ParasGB

ここでParasGBが登場します。著者らは、この特定のタスクのための最初のオープンソース・ベンチマーク・スイートを作成しました。彼らは、すでに製造され、動作が証明されている実際のチップからデータを収集しました。これらのチップには、アナログ回路（音や電波のような連続的な信号を扱うもの）と、SRAM（スマートフォンやコンピュータにデータを保存するメモリチップ）の両方が含まれています。

彼らは、プロフェッショナルな業界ツールを使用して作成されたこれらの実際の設計を、「グラフ」に変換しました。このグラフにおいて、電子部品（トランジスタなど）はノード（点）であり、それらを接続するワイヤーはエッジ（線）です。AIが予測すべき「ラベル」または答えは、グラフの各部分の正確な抵抗値と容量の値です。

このデータセットは巨大で多様です：

• アナログ回路： 231個のノードを持つ小さなブロックから、7,000個近いノードを持つ大きなモジュールまで多岐にわたります。ここでの値は極めて小さく、しばしば$10^{-14}$から$10^{-13}$ファラド（容量の単位）の範囲にあります。
• SRAM回路： これらは巨人です。このセットの中で最小のSRAM設計は約17,600個のノードを持ち、最大では驚異的な1,170万個のノードと5,520万個のエッジを持っています。

この多様性が極めて重要です。これにより、AIは非常に小さく繊細な回路と、巨大で複雑な回路の両方を扱う方法を学ぶことが強制されます。

課題：「ロングテール」

論文は、このタスクをAIにとって難しくさせているいくつかのトリッキーな障害を強調しています。一つの大きな問題は、ラベルの不均衡です。現実の世界では、ほとんどのワイヤーは非常に小さな抵抗や容量を持っていますが、いくつかの重要なワイヤーは巨大な値を持っています。それは、クラスの99%の生徒が100点だが、一人の生徒だけが1,000,000点を持っている教室のようなものです。もしAIが全員に対して単に「100」と予測すれば、平均スコアは高くなるかもしれませんが、実際に助けを必要としているその一人の生徒を完全に見逃してしまうでしょう。論文は、これらの「極端な」値がチップの性能にとって最も重要であることが多い一方で、非常に稀であることを示しています。

もう一つの課題は、構造的な不均質性です。すべてのチップは異なる姿をしています。あるものは接続が密集した密な森のようであり、別のものは疎なグリッドのようです。あるタイプのチップを予測するように学習したAIは、別のタイプのチップでは惨めな失敗をする可能性があります。

実験：誰がレースに勝つのか？

研究者たちは、この新しいベンチマーク上で多くの異なるAIモデルをテストしました。彼らは、「汎用的な」グラフモデル（多くのことに長けているが、チップには特化していないもの）と、「回路特化型」モデル（電子工学の知識に基づいて構築されたもの）を比較しました。

結果は明白でした：

• 汎用モデル： 標準的なAIモデルであるGCNやGATは、特に最も困難な回路において苦戦しました。一部の難しいアナログ回路では、予測がランダムな推測よりも劣る（負のスコアで示される）ほど、性能が悪化しました。
• 特化型モデル： CircuitGCLやCircuitGPSのような、回路用に特別に設計されたモデルは、大幅に優れた性能を示しました。例えば、SRAMチップにおける結合容量（ワイヤー同士がどのように干渉するか）の予測タスクにおいて、CircuitGCLはすべてのテストケースを通じて一貫して最高の精度とF1スコアを達成しました。
• 「困難な」ケース： 論文は、最大の利得は最も困難な回路で見られたと述べています。汎用モデルが失敗した場面でも、特化型モデルは負の予測を正の予測へと変えることができ、回路の特定の物理現象を理解することが、AIの推測をより良くすることに役立つことを証明しました。

これが意味すること

ParasGBは単なるデータセットではありません。それは新しい標準です。それは研究者が自身のアイデアをテストするための「ゴールドスタンダード」を提供します。実世界の、テープアウトによって証明されたデータを使用することで、学術的な理論と現実世界のエンジニアリングの間の溝を埋めています。論文は、進歩はしているものの、分野は依然としてデータの不均衡やチップ設計の膨大な複雑さという大きな課題に直面していることを示唆しています。

しかし、進むべき道は今や明確になりました。統一されたベンチマークがあれば、研究者は車輪の再発明をやめ、より優れた、より堅牢なAIモデルの構築に集中できます。これらのモデルは、最終的にチップ設計者が問題を早期に予測することを助け、コストのかかる再設計の回数を減らし、次世代のより高速で効率的な電子機器の作成を加速させることができるでしょう。論文は、これが大きな一歩ではあるものの、まだ始まりに過ぎず、将来の作業はさらに多くの種類のチップやプロセス技術をカバーするように拡張する必要があると結論づけています。