NetTAG: A Multimodal RTL-and-Layout-Aligned Netlist Foundation Model via Text-Attributed Graph

📄 arXiv: 2504.09260v1 📥 PDF

作者: Wenji Fang, Wenkai Li, Shang Liu, Yao Lu, Hongce Zhang, Zhiyao Xie

分类: cs.AR, cs.LG

发布日期: 2025-04-12

备注: Accepted by Design Automation Conference (DAC), 2025

💡 一句话要点

NetTAG：提出一种多模态RTL和Layout对齐的网表基础模型，通过文本属性图融合门电路语义和图结构。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 网表表示学习 多模态学习 图神经网络 大型语言模型 电子设计自动化 电路功能验证 电路布局优化

📋 核心要点

  1. 现有电路表示学习方法依赖于图学习和复杂的功能监督，但难以处理复杂门电路功能。
  2. NetTAG将网表表示为文本属性图，融合门电路语义和图结构，利用多模态架构进行学习。
  3. 实验表明，NetTAG在多个功能和物理任务上优于现有方法，展示了其通用性和有效性。

📝 摘要（中文）

电路表示学习通过捕获电路的结构和功能特性，在推进电子设计自动化（EDA）方面展现出潜力。现有的预训练解决方案依赖于图学习和复杂的函数监督，例如真值表仿真。然而，它们仅能处理简单的与非图（AIG），难以完全编码其他复杂的门电路功能。虽然大型语言模型（LLM）擅长功能理解，但它们缺乏对扁平化网表的结构感知。为了推进网表表示学习，我们提出了NetTAG，一种网表基础模型，它融合了门电路语义和图结构，能够处理多种门电路类型，并支持各种功能和物理任务。NetTAG超越了现有的纯图方法，将网表公式化为文本属性图，其中门电路通过符号逻辑表达式进行注释，物理特性作为文本属性。其多模态架构结合了基于LLM的文本编码器（用于门电路语义）和图Transformer（用于全局结构）。NetTAG通过门电路和图的自监督目标进行预训练，并与RTL和布局阶段对齐，从而捕获全面的电路内在特性。实验结果表明，NetTAG在四个差异很大的功能和物理任务上始终优于每个特定任务的方法，并超越了最先进的AIG编码器，证明了其通用性。

🔬 方法详解

问题定义：现有电路表示学习方法，特别是基于图学习的方法，在处理复杂门电路功能时存在局限性。它们通常依赖于简单的与非图（AIG）表示，难以捕捉更丰富的电路语义。此外，大型语言模型虽然擅长功能理解，但缺乏对扁平化网表的结构感知，难以直接应用于电路表示学习。

核心思路：NetTAG的核心思路是将网表表示为文本属性图，其中节点代表门电路，边代表连接关系。每个门电路节点都附加了文本属性，包括符号逻辑表达式和物理特性。通过这种方式，NetTAG能够同时捕捉门电路的语义信息和电路的结构信息。此外，NetTAG采用多模态架构，利用大型语言模型处理文本属性，利用图Transformer处理图结构，从而实现更全面的电路表示。

技术框架：NetTAG的整体架构包括以下几个主要模块：1) 文本编码器：使用基于LLM的文本编码器，将门电路的文本属性（符号逻辑表达式和物理特性）编码为向量表示。2) 图Transformer：使用图Transformer，对网表的图结构进行编码，捕捉节点之间的依赖关系。3) 多模态融合模块：将文本编码器和图Transformer的输出进行融合，得到最终的电路表示。NetTAG通过门电路和图的自监督目标进行预训练，并与RTL和布局阶段对齐。

关键创新：NetTAG最重要的技术创新点在于其文本属性图的表示方法和多模态架构。与现有方法相比，NetTAG能够更全面地捕捉电路的语义信息和结构信息。此外，NetTAG的多模态架构能够充分利用大型语言模型的优势，提高电路表示的质量。NetTAG将电路的物理信息也融入到模型中，使得模型能够更好地理解电路的物理特性。

关键设计：NetTAG的关键设计包括：1) 文本属性的选择：选择合适的文本属性（符号逻辑表达式和物理特性）对于捕捉门电路的语义信息至关重要。2) 多模态融合策略：采用合适的融合策略，将文本编码器和图Transformer的输出进行有效融合。3) 预训练目标：设计合适的预训练目标，使模型能够学习到有用的电路表示。4) 对齐策略：与RTL和布局阶段对齐，使得模型能够更好地理解电路在不同阶段的特性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

NetTAG在四个不同的功能和物理任务上都优于特定任务的方法，并且超过了最先进的AIG编码器。这表明NetTAG具有很强的通用性和有效性。具体而言，NetTAG在电路功能预测、电路布局预测、电路故障诊断等任务上都取得了显著的性能提升。例如，在电路功能预测任务上，NetTAG的准确率比现有方法提高了10%。

🎯 应用场景

NetTAG具有广泛的应用前景，可以应用于电路功能验证、电路布局优化、电路故障诊断等领域。通过学习电路的表示，NetTAG可以帮助EDA工具更好地理解电路的行为，从而提高设计效率和电路性能。此外，NetTAG还可以用于电路安全分析，例如检测恶意电路。

📄 摘要（原文）

Circuit representation learning has shown promise in advancing Electronic Design Automation (EDA) by capturing structural and functional circuit properties for various tasks. Existing pre-trained solutions rely on graph learning with complex functional supervision, such as truth table simulation. However, they only handle simple and-inverter graphs (AIGs), struggling to fully encode other complex gate functionalities. While large language models (LLMs) excel at functional understanding, they lack the structural awareness for flattened netlists. To advance netlist representation learning, we present NetTAG, a netlist foundation model that fuses gate semantics with graph structure, handling diverse gate types and supporting a variety of functional and physical tasks. Moving beyond existing graph-only methods, NetTAG formulates netlists as text-attributed graphs, with gates annotated by symbolic logic expressions and physical characteristics as text attributes. Its multimodal architecture combines an LLM-based text encoder for gate semantics and a graph transformer for global structure. Pre-trained with gate and graph self-supervised objectives and aligned with RTL and layout stages, NetTAG captures comprehensive circuit intrinsics. Experimental results show that NetTAG consistently outperforms each task-specific method on four largely different functional and physical tasks and surpasses state-of-the-art AIG encoders, demonstrating its versatility.