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

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 그래프 신경망 (GNN) 이 회로 배치 (Placement) 및 라우팅 (Routing) 과 같은 물리적 설계 (Physical Design) 작업에 적용되고 있으나, 진전이 더디다.
• 핵심 문제:
  1. 불일치하는 회로 표현 (Inconsistent Circuit Representations): 기존 EDA(전자 설계 자동화) 데이터셋은 회로를 단일한 논리적 관점 (예: AIG, 네트리스트) 이나 특정 단계의 스냅샷으로만 표현한다.
  2. 통제되지 않은 평가 프로토콜: 모델의 성능 향상이 GNN 아키텍처의 개선 때문인지, 아니면 회로 그래프의 표현 방식 (View) 선택 때문인지 구분하기 어렵다.
  3. 정보 불균형: 기존 벤치마크들은 회로의 위상 (Topology) 과 기하학적 (Geometric) 속성, 그리고 물리적 설계 단계별 (Synthesis, Placement, Routing) 정보를 통합적으로 제공하지 못한다.
• 결과: 연구자들은 회로 표현 방식의 독립적인 효과를 분석할 수 없으며, 이는 모델 성능 평가의 신뢰성을 떨어뜨린다.

2. 제안 방법론 (Methodology)

저자들은 R2G (RTL-to-GDSII) 라는 새로운 벤치마크 스위트를 제안하며, 다음과 같은 핵심 방법론을 도입했습니다.

가. 다중 뷰 (Multi-View) 회로 그래프 표준화

• 데이터셋: 30 개의 오픈소스 IP 코어 (프로세서, 암호화, DSP 등) 를 대상으로 하며, 최대 106 개의 노드/엣지를 가진 대규모 회로를 포함합니다.
• 정보 동등성 (Information Parity): 동일한 회로에 대해 5 가지 상보적인 그래프 뷰를 정의합니다. 각 뷰는 동일한 속성 집합 (Attribute Set) 을 포함하되, 피처가 노드인지 엣지에 부착되는지 (Attachment Location) 만 다릅니다.
  • (b) All-elements-as-nodes: 게이트, 핀, 넷, IO 를 모두 노드로 표현 (가장 포괄적).
  • (c) Pins-as-edges: 핀을 엣지로 변환.
  • (d) Nets-as-edges: 넷을 게이트 간 엣지로 변환.
  • (e) Net-Gate incidence: 이분 그래프 형태.
  • (f) Net edges without pin nodes: 핀 노드를 제거한 확장성 중심 뷰.
• 파이프라인: OpenROAD 툴을 사용하여 RTL 에서 GDSII 까지의 전체 흐름 (Synthesis, Floorplan, Placement, CTS, Routing) 을 처리하며, DEF(Design Exchange Format) 파일에서 직접 그래프, 피처, 레이블을 추출하는 엔드 - 투 - 엔드 파이프라인을 제공합니다.

나. 태스크 및 레이블 정의

• 배치 (Placement) 태스크: 연결된 게이트의 경계 상자 (Bounding Box) 를 기반으로 한 HPWL(Half-Perimeter Wirelength) 예측.
• 라우팅 (Routing) 태스크: 실제 라우팅된 와이어 길이 (Wire Length) 및 비아 (Via) 수 예측.
• 피처 추출: 게이트의 위치 (x, y), 방향, 셀 타입, 넷의 핀 수, HPWL 등 DEF 파일과 기술 라이브러리에서 추출된 물리적 속성을 모든 뷰에 일관되게 매핑합니다.

3. 주요 기여 (Key Contributions)

1. 첫 번째 통제된 다중 뷰 벤치마크: 물리적 설계 단계 (Placement, Routing) 에 맞춰 5 가지 뷰를 표준화하고, 정보 동등성을 유지하여 표현 방식의 효과를 독립적으로 연구할 수 있는 첫 번째 프레임워크입니다.
2. 오픈소스 엔드 - 투 - 엔드 파이프라인: DEF 파일로부터 그래프 생성, 로더, 통일된 데이터 분할 (Split), 도메인 특화 메트릭, 재현 가능한 베이스라인을 모두 제공합니다.
3. 새로운 통찰 도출: 기존 EDA 및 그래프 ML 벤치마크가 간과했던 "표현 방식 (View)"과 "모델 아키텍처"의 상호작용에 대한 체계적인 연구를 가능하게 했습니다.

4. 실험 결과 및 발견 (Results & Findings)

GINe, GAT, ResGatedGCN 등 기존 GNN 모델을 다양한 뷰에 적용하여 다음과 같은 결정적인 결과를 도출했습니다.

가. 뷰 선택이 모델 선택보다 중요하다 (View Choice Dominates Model Choice)

• 고정된 GNN 모델이라도 사용하는 그래프 뷰에 따라 Test R2 값이 0.3 이상 크게 변동했습니다.
• 모델의 순위가 뷰에 따라 완전히 뒤바뀌는 현상이 관찰되었습니다. (예: GAT 는 뷰 (e) 에서만 최상위 성능을 보임).
• 결론: 모델 아키텍처를 최적화하기 전에 적절한 회로 표현 (View) 을 선택하는 것이 훨씬 더 중요합니다.

나. 노드 중심 (Node-Centric) 뷰의 우월성

• 배치 및 라우팅 태스크 모두에서 노드 중심 뷰 (특히 뷰 (b)) 가 가장 강력하고 일반화 성능이 뛰어났습니다.
• 엣지 중심 뷰 (d, e, f) 는 기하학적 정보와 공간적 인과관계 (Spatial Inductive Bias) 를 포착하는 데 한계가 있었습니다.

다. 디코더 헤드 (Decoder-Head) 깊이의 결정적 역할

• 기존 연구들이 GNN 본체 (Message-Passing Stack) 의 깊이에 집중했던 것과 달리, 디코더 헤드의 깊이 (3~4 레이어) 가 정확도의 주된 동인 (Driver) 이었습니다.
• 헤드를 1 레이어에서 3~4 레이어로 늘리면, 배치 태스크의 R2 가 -0.17 에서 0.99 이상으로 급격히 상승하며, 라우팅 태스크에서 NaN 발산 문제를 해결하고 거의 완벽한 예측을 달성했습니다.
• 결론: 모델 깊이를 무작정 늘리는 것보다 헤드 구조를 적절히 설계하는 것이 성능 향상의 핵심입니다.

5. 의의 및 결론 (Significance)

• EDA 및 Graph ML 교차점의 표준 제시: R2G 는 회로 설계의 복잡성 (위상, 기하학, 물리적 제약) 을 그래프 ML 에 효과적으로 통합하는 새로운 표준을 제시합니다.
• 연구 방향 전환: 향후 연구는 단순히 더 복잡한 GNN 모델을 개발하는 데 집중하기보다, 회로 데이터의 표현 방식 (Representation) 과 학습 목표에 맞는 헤드 설계에 초점을 맞춰야 함을 강조합니다.
• 실용적 가이드:
  • 기본 추천 표현: 뷰 (b) (All-elements-as-nodes).
  • 권장 아키텍처: GNN 본체는 34 레이어 (과도한 오버스무딩 방지), **디코더 헤드는 34 레이어**로 구성.
• 지속 가능성: 오픈소스로 공개된 파이프라인을 통해 재현 가능한 실험과 공정한 비교가 가능해져, AI 기반 EDA 분야의 신뢰성을 높이는 데 기여합니다.

이 논문은 EDA 분야에서 AI 모델의 성능을 평가할 때 "무엇을 학습시키는지 (데이터 표현)"가 "어떻게 학습시키는지 (모델)"보다 더 중요할 수 있음을 실증적으로 증명한 획기적인 연구입니다.