🤖 machine learning

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

O artigo apresenta o R2G, um conjunto de benchmarks padronizado que oferece cinco visualizações de circuitos consistentes em diferentes estágios do fluxo de projeto (de RTL a GDSII) para 30 núcleos IP de código aberto, permitindo avaliar o impacto da representação gráfica no desempenho de redes neurais gráficas para tarefas de design físico.

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

Publicado 2026-04-13

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um arquiteto de cidades muito complexas. Essas cidades são os chips de computador (como os do seu celular ou laptop). O trabalho de desenhar essas cidades é chamado de EDA (Automação de Design Eletrônico).

Antes de construir a cidade, você tem um esboço no papel (o código, ou RTL). Depois, você precisa decidir onde colocar cada prédio, rua e ponte, e como conectar tudo isso sem que o trânsito fique congestionado. Isso é o "Placement" (onde colocar) e o "Routing" (como conectar).

O problema é que, para ensinar uma Inteligência Artificial (IA) a fazer isso, os cientistas estavam usando "mapas" muito diferentes para a mesma cidade. Alguns mapas mostravam apenas os prédios, outros apenas as ruas, e outros misturavam tudo de um jeito confuso. Era como tentar ensinar alguém a dirigir usando um mapa de metrô, um mapa de estradas e um mapa de satélite ao mesmo tempo, sem saber qual era o melhor.

Aqui entra o R2G (o tema deste artigo).

O Que é o R2G?

Pense no R2G como um kit de ferramentas padronizado para quem quer treinar IAs a desenhar chips.

Os criadores pegaram 30 projetos de chips reais (como processadores e controladores de vídeo) e criaram 5 versões diferentes do mesmo "mapa" para cada um deles.

Versão A: Mostra cada prédio como um ponto e cada fio como uma linha.
Versão B: Mostra os fios como pontos e os prédios como conexões.
Versão C: Mistura tudo de um jeito diferente.

A grande mágica é que, embora os mapas pareçam diferentes, eles contêm exatamente a mesma informação. É como ter a mesma receita de bolo escrita em três línguas diferentes: o bolo final é o mesmo, mas a forma de ler a receita muda.

O Que Eles Descobriram? (As Lições)

Ao testar várias IAs (chamadas de Redes Neurais de Grafos) com esses mapas, eles descobriram três coisas surpreendentes:

1. O Mapa é mais importante que o "Motor" da IA
Imagine que você tem um carro de Fórmula 1 (uma IA muito inteligente). Se você colocar esse carro em um mapa de labirinto confuso, ele vai bater. Se colocar no mesmo carro em uma pista de corrida clara, ele vai ganhar.
O estudo mostrou que escolher o tipo de mapa (a representação do circuito) importa muito mais do que escolher qual IA usar. Uma IA "mediana" com o mapa certo venceu uma IA "genial" com o mapa errado.

2. O "Mapa de Todos os Pontos" é o Campeão
Dentre os 5 tipos de mapas, aquele que mostra todos os elementos (prédios, fios, portas) como pontos (chamado de "View b" no texto) funcionou melhor para quase tudo. É como olhar para a cidade inteira de um helicóptero: você vê a relação entre tudo, o que ajuda a IA a entender onde colocar os prédios e como conectar as ruas.

3. O Segredo não é a Profundidade, é a "Cabeça" da IA
Na IA, existe uma parte que "pensa" (a rede neural) e uma parte que "decide a resposta" (a cabeça ou decoder).

O mito: "Quanto mais camadas de pensamento a IA tiver, melhor ela será."
A realidade do R2G: A IA pode ter um cérebro pequeno, mas se a parte que toma a decisão final (a cabeça) tiver 3 ou 4 camadas de profundidade, ela se torna quase perfeita.
- Analogia: É como ter um cozinheiro (a IA) que sabe cortar legumes, mas precisa de um chef experiente (a cabeça profunda) para temperar o prato. Sem o tempero certo (a cabeça profunda), o prato fica sem graça, não importa quão bom seja o corte. Com o tempero certo, o prato fica perfeito (acurácia de 99%).

Por que isso é importante?

Antes desse trabalho, os pesquisadores estavam gastando anos tentando inventar novas IAs mais complexas, sem perceber que o problema era o "mapa" que eles estavam usando ou a falta de um "tempero" final na decisão.

O R2G resolveu isso criando um padrão de ouro:

Padronização: Agora todos usam os mesmos 5 mapas para testar suas IAs.
Reprodutibilidade: Qualquer um pode baixar os dados e os códigos e obter os mesmos resultados.
Direção Clara: Eles dizem: "Não gaste tempo inventando IAs gigantes. Use o mapa certo e ajuste a parte final da decisão da IA."

Resumo em uma frase

O R2G é como um manual de instruções universal que ensinou aos cientistas que, para construir chips com IA, não é preciso um motor de Ferrari, mas sim o mapa correto e um bom tempero final na decisão.

Título: R²G: Um Suite de Benchmarks de Gráficos de Circuitos Multi-visão do RTL ao GDSII

1. Problema e Motivação

O uso de Redes Neurais em Grafos (GNNs) para tarefas de projeto físico em Automação de Design Eletrônico (EDA), como previsão de congestionamento e estimativa de comprimento de fio, tem sido limitado por duas lacunas principais:

Inconsistência nas Representações: Diferentes estudos utilizam representações de circuitos distintas (ex: listas de conexões, grafos espaciais, hipergrafos), tornando impossível comparar modelos de forma justa.
Falta de Protocolos Controlados: Nas bases de dados existentes, a escolha da representação do gráfico e a tarefa específica estão intrinsecamente ligadas. Isso impede a distinção entre se a melhoria de desempenho de um modelo deve-se à sua arquitetura ou apenas à escolha da representação do gráfico.

O campo carece de um benchmark que isole o efeito da representação do gráfico como uma variável independente, mantendo o circuito, a tarefa e os dados de entrada constantes.

2. Metodologia: O Suite R²G

Os autores propõem o R²G (RTL-to-GDSII), um conjunto de benchmarks padronizado que cobre o fluxo de projeto físico completo, desde a síntese lógica até o layout final (GDSII).

Corpus de Dados: O conjunto inclui 30 núcleos de IP (Intellectual Property) de código aberto, abrangendo processadores, criptografia, DSP e controladores, com tamanhos variando de milhares até mais de 1 milhão de nós/arestas.
Pipeline End-to-End: O sistema utiliza o fluxo OpenROAD para gerar arquivos DEF (Design Exchange Format) em diferentes estágios (Floorplan, Placement, Routing). A partir desses arquivos, extrai-se automaticamente grafos, características e rótulos.
Visões Multi-Gráfico (Multi-View): A contribuição central é a definição de 5 visões complementares do mesmo circuito, garantindo paridade de informação (o mesmo conjunto de atributos está disponível em todas as visões, apenas anexado a diferentes entidades):
1. Visão (b) - Todos os elementos como nós: Portões, pinos, redes e I/Os são nós. Maximiza a cobertura semântica.
2. Visão (c) - Pinos como arestas: Pinos tornam-se arestas tipadas entre portões e redes.
3. Visão (d) - Redes como arestas: Redes tornam-se arestas conectando pares de portões.
4. Visão (e) - Incidência Rede-Portão: Uma formulação bipartida onde a associação rede-portão é codificada como arestas.
5. Visão (f) - Arestas de rede sem nós de pino: Nós de pino são removidos para escalabilidade, comum em tarefas de síntese lógica.
Tarefas e Rótulos:
- Placement (Posicionamento): Prevê o HPWL (Half-Perimeter Wirelength) com base na geometria dos portões.
- Routing (Roteamento): Prevê o comprimento exato do fio e contagem de vias após o roteamento.

3. Principais Contribuições

Primeiro Benchmark Multi-visão Controlado: R²G é o primeiro framework que permite comparar o impacto da representação do gráfico isolando-a da escolha do modelo, usando 5 visões padronizadas sobre os mesmos dados.
Pipeline Reproduzível: Fornece loaders, divisões unificadas de dados (train/val/test), métricas de domínio e baselines reprodutíveis para mais de 30 designs.
Descobertas sobre Arquitetura vs. Representação: O estudo revela que a escolha da representação do gráfico tem um impacto muito maior no desempenho do que a escolha da arquitetura da GNN.
Descoberta sobre Profundidade do Cabeçalho (Decoder Head): Identificaram que a profundidade do cabeçalho de decodificação (camadas finais do modelo) é o principal motor de precisão, superando a profundidade da própria GNN.

4. Resultados Experimentais

Os autores testaram três arquiteturas clássicas de GNN (GINE, GAT e ResGatedGCN) nas tarefas de Placement e Routing.

A Visão Domina o Modelo:
- Para uma GNN fixa, a escolha da visão altera o $R^2$ (coeficiente de determinação) em mais de 0.3.
- O ranking dos modelos muda drasticamente dependendo da visão. Por exemplo, o GAT performa bem na visão (e), mas mal nas visões (b) e (c).
- Visão (b) é a mais robusta: A visão "todos os elementos como nós" generalizou melhor em ambas as tarefas (Placement e Routing), superando consistentemente as visões baseadas apenas em arestas.
Profundidade do Cabeçalho (Decoder Head) é Crítica:
- Aumentar a profundidade da GNN (backbone) de 3 para 6 camadas trouxe retornos decrescentes ou até degradação (over-smoothing).
- Aumentar a profundidade do cabeçalho (decoder) de 1 para 3-4 camadas transformou o treinamento:
  - Para Placement, o $R^2$ saltou de valores negativos ou baixos para > 0.99 (precisão quase perfeita).
  - Para Routing, resolveu divergências numéricas (NaN) e estabilizou o treinamento, atingindo $R^2 > 0.98$ .
- Cabeçalhos rasos (1 camada) falharam em linearizar o mapeamento de características para coordenadas físicas.
Comparação de Visões:
- Visões centradas em nós (b e c) superaram visões centradas em arestas (d, e, f) na maioria dos casos.
- A visão (f), comum em síntese lógica, não é recomendada para tarefas de projeto físico (placement/routing) devido à perda de contexto espacial e de pinos.

5. Significado e Impacto

Para a Comunidade EDA: O R²G estabelece um novo padrão para avaliação de IA em EDA, forçando a comunidade a considerar a representação do gráfico como uma variável fundamental antes de otimizar hiperparâmetros do modelo.
Diretrizes Práticas:
- Utilizar a Visão (b) como representação padrão para tarefas de projeto físico.
- Priorizar o aumento da profundidade do cabeçalho (3-4 camadas) em vez de aumentar a profundidade da GNN.
- Evitar visões que removem pinos ou redes (como a visão f) para tarefas que dependem de geometria e conectividade detalhada.
Avanço Científico: O trabalho demonstra que muitos avanços anteriores em GNNs para EDA podem ter sido atribuídos erroneamente a arquiteturas complexas, quando na verdade eram impulsionados por escolhas de representação ou configurações de cabeçalho inadequadas.

O código e os dados estão disponíveis publicamente no repositório GitHub dos autores, permitindo a reprodutibilidade e a expansão futura para mais tecnologias e tarefas.