🤖 machine learning

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

Dit paper introduceert R2G, een gestandaardiseerde benchmark-suite voor multi-view circuitgrafen die de inconsistenties in bestaande EDA-benchmarks oplost en aantoont dat de keuze van de grafweergave en decoderdiepte cruciaal zijn voor de prestaties van GNN-modellen in fysiek ontwerp.

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

Gepubliceerd 2026-04-13

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme, ingewikkelde stad moet bouwen. In de wereld van chipontwerp (de "hersens" van je telefoon of computer) noemen we dit EDA (Electronic Design Automation).

Vroeger deden ingenieurs dit met de hand of met simpele regels. Vandaag de dag proberen we kunstmatige intelligentie (AI) te gebruiken om deze steden sneller en beter te bouwen. Maar er is een groot probleem: de AI's zijn verward.

Waarom? Omdat iedereen de stad op een andere manier beschrijft.

De ene AI kijkt naar de straten (de draden).
De andere kijkt naar de huizen (de onderdelen).
Een derde kijkt naar de buren (wie zit naast wie).

Als je een AI traint op de "straat-kaart" en hem test op de "huis-kaart", faalt hij. Het is alsof je iemand leert zwemmen in een zwembad en hem dan test in de oceaan. Je weet niet of hij faalt omdat hij slecht zwemt, of omdat de oceaan gewoon anders is dan het zwembad.

R2G is de oplossing voor dit probleem. Het is een nieuw, eerlijk speelveld (een benchmark) bedacht door onderzoekers van de Universiteit van Nanjing en de Chinese Universiteit van Hongkong.

Hier is wat ze hebben gedaan, vertaald in simpele taal:

1. De "Meer-Weergave" Stad (Multi-View)

Stel je voor dat je een foto van een stad hebt. Je kunt die foto op vijf verschillende manieren bekijken:

Alles als gebouwen: Je ziet elke muur en elk raam als een apart puntje.
Straatnetwerk: Je ziet alleen de wegen en kruispunten.
De buren: Je ziet alleen wie direct naast wie woont.

R2G neemt één en dezelfde stad (een chipontwerp) en maakt er vijf verschillende kaarten van. Het slimme trucje is: alle kaarten bevatten precies dezelfde informatie, alleen de manier waarop die informatie is verpakt, verschilt.

Dit is revolutionair. Voorheen hadden we maar één kaart per stad. Nu kunnen we eindelijk zeggen: "Oké, laten we dezelfde AI gebruiken op alle vijf de kaarten. Welke kaart werkt het beste?"

2. De Grote Ontdekkingen

De onderzoekers hebben verschillende AI-modellen (de "bouwers") getest op deze kaarten. Ze ontdekten drie verrassende dingen:

De kaart is belangrijker dan de bouwer:
Het maakt niet uit of je een "slimme" of een "domme" bouwer (AI-model) gebruikt. Als je de verkeerde kaart (weergave) kiest, faalt de bouwer. Als je de juiste kaart kiest, doet zelfs een simpele bouwer het fantastisch.
- Analogie: Het maakt niet uit of je een Ferrari of een fiets hebt; als je op een ijsbaan rijdt, ga je overal op je kop vallen. Je moet eerst de juiste ondergrond kiezen.
De "Bouwen" vs. "Rijden" kaart:
Ze ontdekten dat een specifieke kaart (waarbij alles als een puntje wordt gezien) het beste werkt, of je nu de stad aan het bouwen bent (plaatsing) of de wegen aan het leggen (routing). Andere kaarten werken goed voor het ene, maar slecht voor het andere.
De "Hoofd" van de AI is cruciaal:
Dit is misschien wel het coolste stukje. De onderzoekers ontdekten dat de diepte van de "hoofd" van de AI (de laatste laag die het antwoord geeft) veel belangrijker is dan hoe diep de rest van het brein is.
- Analogie: Stel je voor dat je een kok hebt die geweldige ingrediënten verzamelt (het brein), maar een heel slechte chef die het gerecht niet goed op het bord zet (het hoofd). Als je de chef vervangt door een meesterkok (meer lagen in het hoofd), wordt het gerecht plotseling perfect, zelfs als de ingrediënten hetzelfde blijven. Ze konden de voorspellingen van "slecht" (R² < 0) naar "bijna perfect" (R² > 0.99) tillen door simpelweg dit ene onderdeel aan te passen.

3. Waarom is dit belangrijk voor jou?

Vroeger was het een chaos. Als een AI een chipontwerp beter maakte, wisten we niet of het kwam door de slimme code of omdat ze per ongeluk de juiste manier hadden gekozen om de chip te beschrijven.

Met R2G hebben we nu een standaard.

Het is een openbare bibliotheek met 30 verschillende chip-ontwerpen.
Het biedt tools om die ontwerpen om te zetten in grafieken.
Het zorgt ervoor dat iedereen op dezelfde manier test.

Dit betekent dat onderzoekers niet meer hoeven te gissen. Ze kunnen nu echt leren welke manier van kijken naar een chip het beste werkt. Dit leidt tot snellere, goedkopere en zuinigere chips voor onze toekomstige apparaten.

Kortom: R2G is de eerste keer dat we een eerlijke wedstrijd hebben georganiseerd voor AI in chipontwerp, waarbij we hebben bewezen dat hoe je naar het probleem kijkt, belangrijker is dan welke AI je gebruikt, en dat een kleine aanpassing aan het einde van het proces een gigantisch verschil kan maken.

1. Probleemstelling

Het gebruik van Graph Neural Networks (GNN's) voor fysiek ontwerp in Electronic Design Automation (EDA) (zoals congestievoorspelling en draadlengteschatting) wordt gehinderd door twee fundamentele tekortkomingen in bestaande benchmarks:

Inconsistentie in circuitrepresentaties: Bestaande datasets gebruiken vaak slechts één specifieke graafweergave (bijv. alleen netlists of alleen ruimtelijke posities) of koppelen de graafstructuur direct aan specifieke taken. Hierdoor is het onmogelijk om te bepalen of prestaties het gevolg zijn van het model of de keuze van de graafrepresentatie.
Gebrek aan gecontroleerde evaluatie: Er ontbreekt een standaardisatie waarbij dezelfde schakeling wordt weergegeven in meerdere, logische vormen met informatie-pariteit (dezelfde attributen, maar anders toegewezen aan knopen of randen). Dit maakt het moeilijk om de invloed van de representatiekeuze te isoleren van de modelkeuze.

2. Methodologie: De R²G Benchmark Suite

De auteurs introduceren R²G (RTL-to-GDSII), een benchmark suite die 30 open-source IP-kernen (van processors tot DSP's) omvat, variërend van enkele duizenden tot meer dan 1 miljoen knopen/verbindingen.

Kerncomponenten:

Multi-View Graafrepresentaties: R²G standaardiseert vijf complementaire weergaven van dezelfde late-fase fysieke ontwerpen (geëxtraheerd uit DEF-bestanden):
1. (b) All-elements-as-nodes: Alle entiteiten (poorten, pinnen, netten, I/O's) zijn knopen.
2. (c) Pins-as-edges: Pinnen worden omgezet in randen tussen poort- en netknopen.
3. (d) Nets-as-edges: Netten worden randen tussen poortknopen.
4. (e) Net-Gate incidence-as-edges: Een bipartiete weergave van netten en poorten.
5. (f) Net edges without pin nodes: Pinnen worden verwijderd; netten zijn randen tussen poorten.
Informatie Pariteit: Cruciaal is dat dezelfde set attributen (zoals celtype, oriëntatie, oppervlakte, HPWL) beschikbaar is in elke weergave. Het enige verschil is waar deze attributen aan worden gekoppeld (knopen of randen). Dit elimineert confounding variabelen.
End-to-End Pipeline: Een volledig open-source workflow (van DEF-bestanden naar grafen) met uniforme splitsen (train/validatie/test), loaders en reproduceerbare baselines.
Taken: De suite ondersteunt regressietaken voor Placement (voorspellen van Half-Perimeter Wirelength - HPWL) en Routing (voorspellen van exacte draadlengte en via-aantal).

3. Belangrijkste Bijdragen

Eerste Multi-View Benchmark: De eerste suite die vijf stage-bewuste weergaven biedt met informatie-pariteit, waardoor een gecontroleerde studie van representatie-effecten mogelijk wordt.
Ontkoppeling van Representatie en Model: Door de representatiekeuze te isoleren van de modelarchitectuur, kunnen onderzoekers nu objectief beoordelen welke graafstructuur het beste werkt voor een specifieke EDA-taak.
Open Source Infrastructuur: Een complete DEF-naar-graaf pipeline, inclusief datasets tot 10^6 knopen/verbindingen, met reproduceerbare baselines.

4. Experimentele Resultaten

De auteurs hebben systematische studies uitgevoerd met drie klassieke GNN-architecturen: GINE, GAT en ResGatedGCN.

Kernbevindingen:

Representatiekeuze domineert Modelkeuze: De keuze van de graafweergave heeft een veel grotere impact op de prestaties dan de keuze van het GNN-model. Voor een vast GNN-model varieerde de Test $R^2$ met meer dan 0,3 tussen verschillende weergaven. De rangschikking van modellen veranderde zelfs volledig afhankelijk van de gebruikte weergave.
Node-centric weergaven zijn superieur: Weergave (b) (alle elementen als knopen) presteerde consistent het beste voor zowel placement als routing. Dit suggereert dat een directe koppeling tussen entiteiten en hun fysieke attributen essentieel is voor generalisatie.
Decoder-head diepte is de belangrijkste driver: Een verrassende ontdekking is dat de diepte van de decoder-head (de lagen na de GNN-embedding) veel belangrijker is dan de diepte van de GNN zelf.
- Het verhogen van de head-lagen van 1 naar 3-4 veranderde de resultaten drastisch: van instabiel training (NaN of negatieve $R^2$ ) naar bijna perfecte voorspellingen ( $R^2 > 0,99$ ).
- Voor placement en routing bleek een head van 3-4 lagen cruciaal om de mapping van features naar coördinaten of lengtes te lineariseren en te stabiliseren.
GNN-diepte heeft beperkte meerwaarde: Het verdiepen van de GNN-stack (boven 3-4 lagen) leidde vaak tot over-smoothing en afnemende meeropbrengst, in tegenstelling tot de grote winst die te behalen was met een diepere decoder-head.

5. Betekenis en Conclusie

R²G vult een kritieke leemte in de EDA en Graph ML gemeenschap. Het bewijst dat eerdere studies die modellen vergeleken zonder de representatie te controleren, mogelijk tot misleidende conclusies kwamen.

Praktische aanbevelingen voor onderzoekers en ingenieurs:

Gebruik weergave (b) als standaardrepresentatie voor fysiek ontwerp-taken.
Prioriteer de configuratie van de decoder-head (3-4 lagen) boven het vergroten van de GNN-diepte.
Vermijd het gebruik van enkelvoudige representaties (zoals alleen netlists) zonder te controleren op de impact van de graafstructuur op de prestaties.

Deze bevindingen veranderen de focus van "welk model is het beste?" naar "hoe representeren we het circuit het beste en hoe structureren we de voorspellingskop?", wat leidt tot robuustere en nauwkeurigere AI-gestuurde EDA-tools.