Unifying Logical and Physical Layout Representations via Heterogeneous Graphs for Circuit Congestion Prediction

本文提出了基于增强异构图的 VeriHGN 框架，通过统一电路逻辑与物理布局表示，显著提升了 VLSI 设计中电路拥塞预测的准确性与相关性。

要点

这篇论文讲述了一个关于如何提前预测芯片设计“堵车”问题的聪明办法。

为了让你更容易理解，我们可以把芯片设计想象成规划一座超级繁忙的未来城市。

1. 背景：为什么我们需要预测“堵车”？

想象一下，你正在设计一座拥有几百万栋建筑（芯片里的晶体管）和无数条道路（芯片里的连线）的超级城市。

• 传统做法的痛点：以前，工程师们通常是先把所有建筑（逻辑电路）摆好位置，然后让“交通规划师”（布线工具）去画路。只有等路画完了，他们才能发现哪里堵得厉害（比如某条路车流量太大，根本跑不通）。
• 后果：一旦发现有地方堵死了，就得把建筑拆了重新摆，再重新画路。这个过程可能重复几十次，耗时耗力，就像为了修路把整个城市拆了又建一样，成本极高。
• 目标：我们需要一种“预言家”，在还没开始画路之前，就能根据建筑摆放的位置，提前算出哪里将来会堵车，从而指导工程师一开始就避开这些坑。

2. 以前的“预言家”有什么缺点？

以前的机器学习方法（AI 模型）就像两个只懂一半的顾问：

• 顾问 A（只看图纸）：只懂电路连接图（谁和谁要连），但不懂物理距离。它不知道两个需要连线的建筑隔了十万八千里，路肯定不够走。
• 顾问 B（只看地图）：只懂建筑摆在哪，像看一张静态的卫星图。它不知道哪些建筑之间其实有紧急的连线需求，容易误判。

这两个顾问通常是分开工作，最后再简单地把意见拼凑一下。这就导致他们很难理解“逻辑连接”和“物理位置”之间那种复杂的、微妙的互动关系。

3. 本文的解决方案：VeriHGN（一个超级全能的城市规划师）

这篇论文提出了一个叫 VeriHGN 的新框架。它的核心思想是：把“电路图”和“地图”融合成一张统一的、立体的关系网。

我们可以用几个生动的比喻来理解它是怎么工作的：

比喻一：把城市变成一张“超级关系网”

VeriHGN 不再把电路和地图分开看，而是把它们都变成一种叫**“异构图”**（Heterogeneous Graph）的东西。

• 节点（Node）：就像城市里的不同角色。
  • 建筑节点：代表具体的芯片单元（比如一个逻辑门）。
  • 连线节点：代表电线（Net），它连接着不同的建筑。
  • 街区节点：代表地图上的小方格（Grid），就像城市里的街区。
• 边（Edge）：代表它们之间的关系。
  • 建筑 A 和电线 B 是“连接”关系。
  • 建筑 A 和建筑 B 是“邻居”关系（物理上靠得近）。
  • 小街区 A 和小街区 B 是“上下级”关系（大街区包含小街区）。

关键点：在这个网络里，信息可以像水流一样自由流动。电线节点可以把“我很忙”的信息传给建筑，建筑可以把“我住得很挤”的信息传给街区，街区可以把“这里路很宽”的信息传回给电线。这种全方位的互动，让模型能真正理解“为什么这里会堵车”。

比喻二：从“显微镜”到“望远镜”的视角切换（分层网格）

芯片上的堵车有两种：

1. 局部堵车：几个建筑挤在一起，像早高峰的十字路口。
2. 区域堵车：一根长线横跨了整个城市，像一条贯穿城市的高速公路，虽然局部不挤，但整条路都占满了资源。

VeriHGN 有一个**“分层网格”**的设计：

• 微观层（显微镜）：看非常小的方格，捕捉局部的拥挤。
• 宏观层（望远镜）：把很多小方格合并成大区域，捕捉长距离连线带来的压力。

模型会在这些不同大小的“镜头”之间来回切换和传递信息。就像你既用显微镜看路口，又用望远镜看整条高速公路，从而能同时发现“路口堵死”和“高速路瘫痪”两种问题。

比喻三：聪明的“交通信号”（消息传递机制）

模型内部有一套复杂的**“消息传递”**机制。

• 当某个建筑（Cell）发现周围邻居太多时，它会向连接的电线（Net）发送信号：“我很挤，别给我派太多车！”
• 电线收到信号后，会向它经过的所有街区（Grid）广播：“我这条线很粗，经过的街区都要注意！”
• 街区收到信号后，会告诉上级大区域：“这里压力很大，需要分流！”

这种双向、多层次的沟通，让模型能精准地计算出每个角落的拥堵程度，而不是瞎猜。

4. 效果如何？

作者在真实的工业界芯片设计数据上测试了这个模型（就像在真实的超级城市里做模拟）。

• 结果：VeriHGN 比以前的所有方法都更准。
• 优势：它不仅能量化“堵了多少”，更重要的是，它能准确地排个序，告诉工程师：“虽然 A 区和 B 区都堵，但 A 区比 B 区堵得更严重，必须先修 A 区。”这对于实际工作至关重要。

总结

这篇论文就像发明了一位拥有“上帝视角”的城市规划师。
它不再把“电路逻辑”和“物理布局”分开看，而是把它们编织成一张巨大的、动态的关系网。通过让网络里的每个角色（建筑、电线、街区）互相交流，并能在“局部”和“全局”之间自由切换视角，它成功地在芯片制造之前，就精准地预测出了哪里会“堵车”。

这不仅能帮芯片设计公司省下几百万美元和几个月的时间，还能让未来的芯片设计更快、更智能。

技术摘要

这篇论文提出了一种名为 VeriHGN 的新框架，旨在通过**异构图神经网络（Heterogeneous Graph Neural Networks）统一逻辑网表（Netlist）和物理布局（Physical Layout）的表示，以解决 VLSI 设计中的电路拥塞预测（Circuit Congestion Prediction）**问题。

以下是对该论文的详细技术总结：

1. 研究背景与问题定义

• 背景：随着超大规模集成电路（VLSI）设计规模和复杂度的增加，布局验证成为电子设计自动化（EDA）流程中的瓶颈。拥塞（Congestion）直接影响可布线性、时序收敛和功耗完整性。
• 痛点：
  • 传统方法滞后：准确的拥塞信息通常只能在详细布线（Detailed Routing）后获得，这计算成本极高且需要多次迭代，导致设计周期延长。
  • 现有学习方法的局限性：
    1. 耦合松散：现有的基于学习的方法通常将网表连接性和物理布局特征分开建模，或在后期进行简单的融合，未能充分捕捉逻辑意图与物理实现之间的复杂交互。
    2. 表示单一：大多数方法要么侧重于几何特征（丢失拓扑结构），要么侧重于网表拓扑（忽略空间约束），难以同时处理局部高密度和长跨度布线带来的拥塞。
• 目标：开发一种早期拥塞预测方法，能够在不运行昂贵布线引擎的情况下，准确预测拥塞热点，指导下游优化。

2. 核心方法论：VeriHGN

VeriHGN 的核心思想是将电路组件（单元、网络）和空间网格统一构建为一个单一的异构图（Heterogeneous Graph），实现逻辑与物理信息的直接交互。

2.1 图构建 (Graph Construction)

模型构建了一个包含三种节点类型和多种边类型的异构图：

• 节点类型：
  1. 单元节点 (Cell Nodes)：代表网表中的标准单元和宏单元，反映实例级的布线需求。
  2. 网络节点 (Net Nodes)：代表连接多个单元的电网络，聚合多终端连接带来的全局布线压力。
  3. 网格节点 (Grid Nodes)：代表布局区域的空间分块，组织成分层结构（Hierarchical Grid），从细粒度（局部）到粗粒度（区域）捕捉多尺度的空间资源竞争。
• 边类型：
  • Pin 边：连接单元与网络，表示电气连接。
  • 几何边 (Geometric Cell Edges)：连接空间邻近的单元，模拟局部资源竞争。
  • 网格邻接边：连接同一分辨率下的相邻网格。
  • 层级边 (Hierarchical Edges)：连接不同分辨率的父子网格，实现多尺度信息传递。

2.2 特征工程 (Feature Engineering)

为了减少对深层传播的依赖并提高样本效率，作者设计了丰富的显式特征：

• 单元特征：包含几何信息（坐标、尺寸、面积）、拓扑统计（连接网络数、引脚数、线长统计）和类型属性。
• 网络特征：包含包围盒跨度、线长（HPWL）、网络度等。
• 网格特征：聚合了区域内的单元密度、引脚密度、网络密度及平均线长等统计信息。

2.3 关系特定的消息传递 (Relation-Specific Message Passing)

模型设计了针对不同类型边的消息传递机制，以显式建模逻辑与物理的交互：

• Cell-Net 传递：单元向网络传递布线需求，网络聚合后反馈给单元。
• Grid-Net 传递：网格将局部拥塞上下文传递给网络，使网络感知其路径上的空间拥塞。
• Cell-Grid 传递：单元信息回传给网格，将学习到的单元嵌入锚定在空间上下文中。
• 几何 Cell-Cell 传递：使用门控机制（Gated Aggregation）根据空间相关性聚合邻近单元信息，抑制无关邻居的干扰。

2.4 分层网格表示学习

利用分层网格结构进行自底向上聚合（细粒度到粗粒度，总结区域需求）和自顶向下传播（粗粒度到细粒度，注入全局上下文）。通过门控机制自适应地融合局部细节与全局上下文，避免过度平滑。

2.5 训练目标

• 加权回归损失：由于拥塞数据高度不平衡（大部分区域拥塞低，少数热点拥塞高），采用加权均方误差（Weighted MSE），赋予高拥塞样本更高的权重，迫使模型关注热点。
• 方差正则化：防止模型预测趋于常数，保持拥塞等级的相对差异。
• 评估指标：除了传统的 MAE/RMSE，重点使用 Spearman 和 Kendall 秩相关系数，因为识别拥塞热点的相对严重程度比预测绝对数值更重要。

3. 主要贡献

1. 统一表示框架：提出了 VeriHGN，首次将电路网表组件和空间布线网格统一到一个异构图关系中，实现了逻辑拓扑与物理几何的直接交互。
2. 多分辨率消息传递架构：设计了显式建模单元、网络和分层网格之间交互的架构，能够同时处理局部高密度拥塞和长跨度网络引起的区域拥塞。
3. 性能提升：在工业级基准（ISPD2015, CircuitNet-N14, CircuitNet-N28）上，VeriHGN 在预测精度和秩相关性指标上均优于现有的最先进方法（SOTA）。

4. 实验结果

• 基准测试：在 ISPD2015、CircuitNet-N14 和 N28 数据集上进行了广泛实验。
• 对比结果：
  • VeriHGN 在单元级（Cell-level）和网格级（Grid-level）的预测中，Spearman 和 Kendall 秩相关系数均达到最高或接近最高。
  • 相比 CircuitGNN、MIHC 等 SOTA 方法，VeriHGN 在降低绝对误差（MAE/RMSE）的同时，显著提升了拥塞严重程度的排序能力。
• 消融实验：
  • 分层网格：移除多分辨率网格导致网格级预测性能大幅下降（Spearman 下降约 14.7%），证明了多尺度建模的必要性。
  • 网格 - 网络消息：移除该交互导致性能显著下降，证实了将空间拥塞上下文传递给网络的重要性。
  • 特征工程：使用手工设计的丰富特征比仅依赖坐标和连接性特征效果显著更好，说明显式编码布线需求信号比单纯依赖深度传播更有效。
• 跨设计泛化：在不同工艺节点（如 N28 到 N14）的零样本迁移实验中，VeriHGN 保留了约 43.7%-47.1% 的域内相关性，优于 MIHC（32.8%-38.5%），表明其学习了更具迁移性的布线需求模式。

5. 意义与价值

• 理论意义：解决了 EDA 领域中逻辑与物理表示长期分离的问题，证明了异构图在建模复杂物理设计约束方面的有效性。
• 实际价值：
  • 早期干预：能够在布线前准确预测拥塞，减少昂贵的布线迭代次数，缩短设计周转时间（TAT）。
  • 工业适用性：在大规模工业基准上表现稳健，且对超大规模设计（数百万单元）具有良好的扩展性。
  • 指导优化：准确的拥塞排序能力可以直接指导布局优化和布线资源分配，提升最终芯片的可布线性。

综上所述，VeriHGN 通过创新的异构图统一表示和分层消息传递机制，显著提升了电路拥塞预测的准确性和实用性，为现代 VLSI 物理设计自动化提供了强有力的工具。