CktGNN：电子设计自动化的电路图神经网络
摘要：电子设计自动化（EDA）一直是集成电路领域长期面临的挑战，原因在于设计空间庞大且电路规范之间存在复杂的设计权衡。过去几十年里，大部分研究工作主要集中在在给定电路拓扑的情况下自动进行晶体管尺寸调整。本文通过认识到电路的图形特性，提出了一种称为电路图神经网络（CktGNN）的方法，它可以基于编码器依赖的优化子过程同时自动化电路拓扑生成和器件尺寸调整。具体来说，CktGNN使用了一个两级图神经网络（嵌套GNN）的框架来对电路图进行编码，其中电路被表示为一组已知子图中的子图组合。通过这种方式，通过减少要进行消息传递的子图数量，它显著提高了设计效率。然而，推进基于学习的电路设计自动化的另一个关键障碍是缺乏公共基准来进行规范评估和可复现的研究。为了解决这个挑战，我们引入了开放电路基准（OCB），这是一个开源数据集，包含了10000个不同的运算放大器，并精心提取了电路规范。OCB还配备了交流电路生成和评估功能，可以通过生成相应的数据集来帮助推广CktGNN来设计各种模拟电路。在OCB上的实验证明了CktGNN在表示为基础的优化框架上的优势，相比其他最近的强大GNN基线和人工专家手动设计。我们的工作为模拟电路的基于学习的开源设计自动化铺平了道路。我们的源代码可在url{https://github.com/zehao-dong/CktGNN}上找到。
作者：Zehao Dong, Weidong Cao, Muhan Zhang, Dacheng Tao, Yixin Chen, Xuan Zhang
论文ID：2308.16406
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-09-01