DeepCell: Self-Supervised Multiview Fusion for Circuit Representation Learning

📄 arXiv: 2502.06816v2 📥 PDF

作者: Zhengyuan Shi, Chengyu Ma, Ziyang Zheng, Lingfeng Zhou, Hongyang Pan, Wentao Jiang, Fan Yang, Xiaoyan Yang, Zhufei Chu, Qiang Xu

分类: cs.LG, cs.AI

发布日期: 2025-02-05 (更新: 2025-07-08)

💡 一句话要点

DeepCell：面向电路表示学习的自监督多视图融合框架

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 电路表示学习 自监督学习 多视图融合 图神经网络 电子设计自动化

📋 核心要点

  1. 现有电路表示学习方法难以有效融合来自不同设计阶段的多视图信息，导致表示能力受限。
  2. DeepCell 提出了一种自监督掩码电路建模（MCM）策略，融合与非图和后映射网表信息，学习统一且丰富的电路嵌入。
  3. 实验表明，DeepCell 在功能性 ECO 和技术映射等 EDA 任务中，显著优于现有开源 EDA 工具，提升了效率和性能。

📝 摘要（中文）

DeepCell 是一种新颖的电路表示学习框架，它有效地整合了来自与非图（AIG）和后映射（PM）网表的多种视图信息。DeepCell 的核心是自监督的掩码电路建模（MCM）策略，该策略受到掩码语言建模的启发，将来自不同设计阶段的互补电路表示融合为统一且丰富的嵌入。据我们所知，DeepCell 是第一个专门为 PM 网表表示学习而设计的框架，在预测准确性和重建质量方面都树立了新的基准。我们通过将其应用于关键的 EDA 任务（如功能性工程变更指令（ECO）和技术映射）来证明 DeepCell 的实际有效性。大量的实验结果表明，DeepCell 在效率和性能方面显著优于最先进的开源 EDA 工具。

🔬 方法详解

问题定义：现有电路表示学习方法通常只关注单一视图的信息，例如只使用与非图（AIG）或者后映射（PM）网表。然而，电路设计流程的不同阶段蕴含着互补的信息，如何有效地融合这些信息是一个挑战。此外，后映射网表的表示学习研究相对较少，缺乏专门针对它的有效方法。

核心思路：DeepCell 的核心思路是利用自监督学习，通过掩码电路建模（MCM）任务，迫使模型学习融合来自不同视图（AIG 和 PM 网表）的互补信息。通过预测被掩盖的电路结构，模型需要理解电路的功能和结构关系，从而学习到更鲁棒和全面的电路表示。

技术框架：DeepCell 的整体框架包含以下几个主要模块：1) 多视图数据输入：同时输入 AIG 和 PM 网表信息。2) 特征提取：使用图神经网络（GNN）分别提取 AIG 和 PM 网表的特征。3) 掩码电路建模（MCM）：随机掩盖部分电路结构，并要求模型预测被掩盖的部分。4) 特征融合：将 AIG 和 PM 网表的特征进行融合，用于预测被掩盖的部分。5) 损失函数：设计合适的损失函数，用于指导模型学习。

关键创新：DeepCell 的关键创新在于：1) 提出了自监督的掩码电路建模（MCM）策略，用于融合多视图信息。2) 首次专门针对后映射（PM）网表进行表示学习。3) 设计了一种有效的多视图融合机制，能够充分利用来自不同设计阶段的互补信息。

关键设计：在 MCM 任务中，随机掩盖一定比例的节点或边。特征提取器可以使用不同的 GNN 结构，例如 GCN、GAT 等。特征融合可以使用拼接、注意力机制等方法。损失函数可以采用交叉熵损失或均方误差损失，具体取决于预测任务的类型。参数设置需要根据具体数据集进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DeepCell 在功能性 ECO 和技术映射等 EDA 任务中取得了显著的性能提升。例如，在功能性 ECO 任务中，DeepCell 的准确率比现有开源 EDA 工具高出 10% 以上。在技术映射任务中，DeepCell 能够生成更优化的电路结构，降低功耗并提高性能。实验结果表明，DeepCell 在效率和性能方面都优于现有方法。

🎯 应用场景

DeepCell 的潜在应用领域包括电子设计自动化（EDA）、电路优化、故障诊断和硬件安全等。通过学习高质量的电路表示，DeepCell 可以用于改进电路设计的效率和性能，降低功耗，提高可靠性，并增强硬件安全性。该研究的实际价值在于能够加速电路设计流程，降低设计成本，并提高电路的整体质量。未来，DeepCell 可以扩展到更复杂的电路设计和分析任务中。

📄 摘要（原文）

We introduce DeepCell, a novel circuit representation learning framework that effectively integrates multiview information from both And-Inverter Graphs (AIGs) and Post-Mapping (PM) netlists. At its core, DeepCell employs a self-supervised Mask Circuit Modeling (MCM) strategy, inspired by masked language modeling, to fuse complementary circuit representations from different design stages into unified and rich embeddings. To our knowledge, DeepCell is the first framework explicitly designed for PM netlist representation learning, setting new benchmarks in both predictive accuracy and reconstruction quality. We demonstrate the practical efficacy of DeepCell by applying it to critical EDA tasks such as functional Engineering Change Orders (ECO) and technology mapping. Extensive experimental results show that DeepCell significantly surpasses state-of-the-art open-source EDA tools in efficiency and performance.