Beyond Flat Netlist: Hierarchical Graph Representation Learning for Scalable Analysis of Sequential Circuits
作者: Jingyi Zhou, Zhengyuan Shi, Jiaying Zhu, Ziyang Zheng, Qiang Xu
分类: cs.LG, cs.AI, cs.AR
发布日期: 2026-08-28
💡 一句话要点
提出DeepSeq3以解决工业电路分析中的时序动态建模问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 电路表示学习 图神经网络 电子设计自动化 时序动态建模 深度学习
📋 核心要点
- 现有电路表示学习方法未能有效处理工业规模的网表和寄存器级时序动态，限制了其应用。
- 本文提出DeepSeq3，通过层次化的两级表示来建模电路，结合双重GNN架构捕捉局部和全局信息。
- 在大规模基准测试中，DeepSeq3显著提高了可扩展性，BMC求解时间减少了18%，确保了结果的正确性。
📝 摘要（中文）
电路表示学习（CRL）为核心电子设计自动化（EDA）任务提供了强大的指导和优化能力，但由于工业网表的巨大规模以及未能明确建模寄存器级时序动态，实际应用受到限制。为克服这些障碍，本文提出了DeepSeq3，一个新颖的层次化框架，将电路抽象为两级表示：由触发器（FF）划分的细粒度组合子图，以及建模寄存器传输结构的高层次超级节点图（SNG）。双重图神经网络（GNN）架构在两个层次上学习表示，捕捉局部布尔逻辑和全局状态转移。关键的是，我们引入了一种以状态为中心的预训练方案，预测FF状态之间的可达性，使模型对时序行为有更深刻的理解。在大规模基准测试中，DeepSeq3的方法展现出优越的可扩展性和更丰富的表示，减少了有界模型检查（BMC）求解时间18%，同时保证了正确性。
🔬 方法详解
问题定义：本文旨在解决电路表示学习在处理工业规模网表时的时序动态建模不足的问题。现有方法未能有效捕捉寄存器级的时序行为，导致分析效率低下。
核心思路：DeepSeq3通过将电路抽象为细粒度的组合子图和高层次的超级节点图，采用双重图神经网络架构来学习电路的局部和全局表示，从而提升分析能力。
技术框架：DeepSeq3的整体架构包括两个主要模块：第一层为细粒度组合子图，第二层为超级节点图。通过双重GNN架构，模型在两个层次上进行学习，捕捉电路的布尔逻辑和状态转移。
关键创新：引入了以状态为中心的预训练方案，能够预测触发器状态之间的可达性，这一创新使模型对电路的时序行为有了更深刻的理解，显著提升了表示能力。
关键设计：在网络结构上，DeepSeq3采用了双重GNN架构，设计了适应电路特性的损失函数，并在训练过程中优化了关键参数设置，以确保模型的有效性和准确性。
🖼️ 关键图片
📊 实验亮点
DeepSeq3在大规模基准测试中表现出色，相较于传统方法，BMC求解时间减少了18%，同时确保了结果的正确性。这一显著提升证明了其在电路分析中的有效性和可扩展性。
🎯 应用场景
该研究的潜在应用领域包括电子设计自动化（EDA）、电路优化和验证等。通过提升电路分析的效率和准确性，DeepSeq3能够在工业应用中显著降低设计周期和成本，推动智能电路设计的发展。未来，该方法还可能扩展到其他复杂系统的分析与优化中。
📄 摘要（原文）
Circuit Representation Learning (CRL) offers a powerful paradigm to guide and optimize core Electronic Design Automation (EDA) tasks, but its practical adoption is hindered by the immense scale of industrial netlists and a failure to explicitly model register-level temporal dynamics. To overcome these barriers, we introduce DeepSeq3, a novel hierarchical framework that abstracts circuits into a two-level representation: fine-grained combinational subgraphs partitioned by flip-flops (FFs), and a high-level Super-Node Graph (SNG) that models the register-transfer structure. A dual Graph Neural Network (GNN) architecture learns representations at both levels, capturing local Boolean logic and global state transitions. Crucially, we introduce a state-centric pre-training scheme that predicts the reachability between FF states, endowing the model with a deep understanding of temporal behavior. Demonstrated on large-scale benchmarks, DeepSeq3's approach yields superior scalability and richer representations, reducing bounded model checking (BMC) solving time by 18% while guaranteeing correctness.