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

想象一下，你正在用乐高积木搭建一座宏大而复杂的城市。在规划的早期阶段，你会勾勒出道路、房屋和公园的位置。你可能会想：“这条路看起来很短，所以汽车会飞快地通过。”但在现实世界中，当你真正建成这座城市后，你会发现道路比预想的要窄，还有意想不到的红绿灯，而且地基下的地面很“软”，从而减慢了速度。在芯片的世界里，这种“软地面”和“狭窄道路”被称为寄生效应（parasitics）。它们是微小的、不希望出现的电学效应——比如隐形的电阻和电容——当芯片被实际制造出来时，这些效应就会悄然潜入。这些效应可能会将一个快速、高效的设计变成一个迟缓、过热的烂摊子。

几十年来，芯片设计人员必须等到流程的最末端，即在他们花费数月时间和数百万美元构建完物理布局之后，才能测量这些寄生效应。如果芯片速度太慢，他们就必须拆掉重建，这有点像是在把每一块积木都粘好之后，才意识到你的乐高城市太重，压垮了桌子。这是一个缓慢且昂贵的“猜测与检查”的游戏。最近，科学家们开始使用一种叫做**图神经网络（Graph Neural Networks, GNNs）**的人工智能来及早预测这些问题。把 GNN 想象成一个超级聪明的侦探，它观察蓝图（电路原理图），并试图在还没铺下第一块砖之前，就猜出最终的城市会是什么样子，包括其中隐藏的所有交通拥堵。然而，直到现在，还没有一种公平的方法来测试这些 AI 侦探是否真的称职，因为每个人都在使用不同的、秘密的蓝图来训练它们。

本文介绍了 ParasGB，一个全新的、开源的这些 AI 侦探的“训练场”。研究人员创建了一个大规模、标准化的真实世界芯片设计库，这些设计已经成功制造并经过测试（这一过程称为“流片”或 tape-out）。他们从这些真实的芯片中提取了精确的电学数据，并将它们变成了一个巨大的 AI 难题。论文发现，虽然标准的 AI 模型在处理这项任务时表现挣扎——它们经常会被这些电学效应在大小差异上的极端变化所迷惑——但专门为芯片电路设计的专业化模型表现得要好得多。作者展示了通过使用这个新的基准测试，我们终于可以公平地比较不同的 AI 方法，并识别出哪些方法真正准备好帮助设计师构建更快、更好、且不会因代价高昂的错误而浪费时间的芯片。

ParasGB 的故事

问题：机器中的“幽灵”

想象一下你正在设计一辆赛车。你在纸上画出了完美的引擎和空气动力学车身。但你并不知道你使用的金属会比预想的稍重，或者一旦车子真正移动起来，风会对它产生不同的影响。在芯片设计中，这些“幽灵”就是寄生电阻和电容。电阻就像是减慢电流速度的摩擦力，而电容则像是一个吸收电荷的海绵。在现代芯片中（其尺寸比沙粒还小），这些效应非常显著。它们可能占据信号传输延迟的 80%。

传统上，设计人员只有在完成物理布局后才会发现这些幽灵。如果芯片太慢，他们就必须重新设计，这就像是在比赛已经开始后才去重新组装赛车的引擎。这个循环既缓慢又极其昂贵。这项研究的目标是利用 AI 在芯片制造之前，通过观察蓝图来预测这些幽灵，并发出警告：“嘿，这根导线会太窄，那个部分会变得太热。”

缺失的一环：公平的测试

一段时间以来，研究人员一直试图构建 AI 模型（特别是图神经网络）来预测这些寄生效应。但有一个大问题：没有共同的测试方法来判断谁更优秀。这就像是有五所不同的驾驶学校，每所学校都在不同的、秘密的赛道上测试他们的学生。有的用微型赛道，有的用大型赛道；有的有泥地，有的有冰面。如果没有一个标准的赛道，你就无法判断一个学生是技术高超还是仅仅运气好。

论文指出，之前的尝试之所以陷入困境，是因为它们依赖于规模小、过时或私有的数据。你不能仅靠玩具车来训练出一台世界级的 AI。研究人员需要一个来自真实、运行中的芯片的大规模、高质量数据集，来公平地训练和测试这些模型。

解决方案：ParasGB

于是有了 ParasGB。作者创建了第一个针对这一特定任务的开源基准测试套件。他们收集了来自已经制造成功并证明有效的真实芯片的数据。这些芯片既包括模拟电路（Analog circuits）（处理连续信号，如声音或无线电波），也包括 SRAM（存储手机或电脑中数据的内存芯片）。

他们将这些使用专业工业工具创建的真实设计转换成了“图（graphs）”。在这个图中，电子元件（如晶体管）是节点（nodes）（点），而连接它们的导线则是边（edges）（线）。他们想要 AI 预测的“标签”或答案，是图中每个部分的精确电阻和电容值。

该数据集庞大且多样化：

• 模拟电路： 范围从包含 231 个节点的微型模块到接近 7,000 个节点的大型模块不等。这里的数值极其微小，电容值通常在 $10^{-14}$ 到 $10^{-13}$ 法拉（Farads）之间。
• SRAM 电路： 这些是巨头。集合中最小的 SRAM 设计约有 17,600 个节点，而最大的设计则拥有惊人的 1,170 万个节点和 5,520 万条边。

这种多样性至关重要。它迫使 AI 学习如何同时处理极其精细的电路和庞大复杂的电路。

挑战：“长尾”问题

论文强调了几个让这项任务变得困难的棘手障碍。一个主要问题是标签不平衡（label imbalance）。在现实世界中，大多数导线的电阻或电容都非常小，但少数关键导线却拥有巨大的数值。这就像一个教室，99% 的学生得了 100 分，但有一个学生得了 1,000,000 分。如果 AI 对所有人仅仅预测“100”，它可能会获得很高的平均分，但它会完全错过那个实际上需要帮助的学生。论文表明，这些“极端”数值往往对芯片性能最为关键，但它们却非常罕见。

另一个挑战是结构异质性（structural heterogeneity）。每个芯片看起来都不一样。有的可能是一个连接密集的森林，而有的可能是一个稀疏的网格。一个学习预测某种类型芯片的 AI，可能会在另一种类型的芯片上表现得一败涂涂。

实验：谁赢得了比赛？

研究人员在这一新基准测试上测试了许多不同的 AI 模型。他们将“通用型”图模型（擅长许多领域但并非为芯片专门设计）与“电路专用型”模型（内置了电子学知识的模型）进行了对比。

结果非常明确：

• 通用模型： 标准的 AI 模型如 GCN 和 GAT 表现挣扎，尤其是在面对最困难的电路时。在一些困难的模拟电路中，它们的表现如此糟糕，以至于预测结果甚至不如随机猜测（表现为负分）。
• 专用模型： 专门为电路设计的模型，如 CircuitGCL 和 CircuitGPS，表现明显更好。例如，在预测 SRAM 芯片中的耦合电容（即导线之间相互干扰的程度）的任务中，CircuitGCL 在所有测试用例中始终保持着最高的准确率和 F1 分数。
• “困难”案例： 论文指出，最大的提升出现在最困难的电路中。在通用模型失败的地方，专用模型成功地将负向预测转变为正向预测，证明了理解电路的具体物理特性确实能帮助 AI 做出更好的判断。

这意味着什么

ParasGB 不仅仅是一个数据集；它是一个新的标准。它为研究人员提供了一个测试想法的“金标准”。通过使用经过流片验证的真实数据，它弥合了学术理论与实际工程之间的鸿沟。论文指出，尽管我们正在取得进展，但该领域仍面临着数据不平衡和不同芯片设计复杂性等重大挑战。

然而，前进的道路现在变得更加清晰了。通过一个统一的基准测试，研究人员可以停止重复造轮子，转而专注于构建更好、更鲁棒的 AI 模型。这些模型最终可以帮助芯片设计人员及早预测问题，减少昂贵的重新设计次数，并加速下一代更快、更高效电子产品的创造。论文总结道，虽然这是一个巨大的进步，但这仅仅是个开始，未来的工作还需要扩展到涵盖更多类型的芯片和制造工艺。