[論文レビュー] CktGNN: Circuit Graph Neural Network for Electronic Design Automation

Zehao Dong, Weidong Cao+4 more|arXiv (Cornell University)|Aug 31, 2023

Ferroelectric and Negative Capacitance Devices被引用数 12

ひとこと要約

CktGNNは、回路トポロジとデバイスサイズを共同最適化する事前設計のサブグラフ基底を備えた二階層のGNNを導入し、Open Circuit Benchmark (OCB)で検証されている。

ABSTRACT

The electronic design automation of analog circuits has been a longstanding challenge in the integrated circuit field due to the huge design space and complex design trade-offs among circuit specifications. In the past decades, intensive research efforts have mostly been paid to automate the transistor sizing with a given circuit topology. By recognizing the graph nature of circuits, this paper presents a Circuit Graph Neural Network (CktGNN) that simultaneously automates the circuit topology generation and device sizing based on the encoder-dependent optimization subroutines. Particularly, CktGNN encodes circuit graphs using a two-level GNN framework (of nested GNN) where circuits are represented as combinations of subgraphs in a known subgraph basis. In this way, it significantly improves design efficiency by reducing the number of subgraphs to perform message passing. Nonetheless, another critical roadblock to advancing learning-assisted circuit design automation is a lack of public benchmarks to perform canonical assessment and reproducible research. To tackle the challenge, we introduce Open Circuit Benchmark (OCB), an open-sourced dataset that contains $10$K distinct operational amplifiers with carefully-extracted circuit specifications. OCB is also equipped with communicative circuit generation and evaluation capabilities such that it can help to generalize CktGNN to design various analog circuits by producing corresponding datasets. Experiments on OCB show the extraordinary advantages of CktGNN through representation-based optimization frameworks over other recent powerful GNN baselines and human experts' manual designs. Our work paves the way toward a learning-based open-sourced design automation for analog circuits. Our source code is available at \url{https://github.com/zehao-dong/CktGNN}.

研究の動機と目的

• 自動化されたアナログ回路設計を動機づけ、トポロジとデバイスパラメータを共同最適化。
• 事前定義されたサブグラフ基底を用いて回路をエンコードし、トポロジ探索空間を削減する二層GNN (CktGNN) を提案。
• OCB(Open Circuit Benchmark) を作成・公開し、アナログ回路設計自動化の再現性のあるベンチマークを可能に。
• CktGNNがベースラインよりトポロジ再現性、予測精度、実世界回路生成で優れていることを示す。

提案手法

• 回路をDAGとして表現し、事前設計された順序サブグラフ基底Bから非重複のサブグラフに分解。
• 各サブグラフの表現を独立に学習する内部GNNを適用（文脈情報を捉える）。
• 変換されたDAG上で外側の有向メッセージパッシングを行い、ノード埋め込みをサブグラフタイプと内部サブグラフ表現を組み合わせて更新。
• 集約にはゲーテッド和と外側GNNでGRUベースの更新を使用し、回路レベルの埋め込みを得る。
• VAE風の学習設定でエンコードを枠組み化し、回路生成のトポロジとパラメータ最適化を支援。

実験結果

リサーチクエスチョン

• RQ1 CktGNNは既存のDAGエンコーダよりも、回路トポロジとデバイスサイズを共同最適化することがより効果的に行えるか？
• RQ2 サブグラフ基底を用いる二層GNNは、表現力とトポロジ再現性をベースラインより改善するか？
• RQ3 CktGNNは回路特性の予測精度と有効で新規なトポロジの生成においてどうなるか？
• RQ4 OCBは再現性のあるベンチマークとより迅速な実世界の回路設計自動化を可能にするか？

主な発見

ゲイン RMSE	ゲイン Pearson	BW RMSE	BW Pearson	PM RMSE	PM Pearson	FoM RMSE	FoM Pearson	再構成精度
CktGNN	0.607 ± 0.003	0.791 ± 0.002	0.873 ± 0.003	0.479 ± 0.001	0.973 ± 0.002	0.217 ± 0.001	0.854 ± 0.003	0.491 ± 0.002	0.397
PACE	0.644 ± 0.003	0.762 ± 0.002	0.896 ± 0.003	0.442 ± 0.001	0.970 ± 0.003	0.226 ± 0.001	0.889 ± 0.003	0.423 ± 0.001	0.306
DAGNN	0.695 ± 0.002	0.707 ± 0.001	0.881 ± 0.002	0.453 ± 0.001	0.969 ± 0.003	0.231 ± 0.002	0.877 ± 0.003	0.442 ± 0.001	0.289
D-VAE	0.681 ± 0.003	0.739 ± 0.001	0.914 ± 0.002	0.394 ± 0.001	0.956 ± 0.003	0.301 ± 0.002	0.897 ± 0.003	0.374 ± 0.001	0.271
GCN	0.976 ± 0.003	0.140 ± 0.002	0.970 ± 0.003	0.236 ± 0.001	0.993 ± 0.002	0.171 ± 0.001	0.974 ± 0.003	0.217 ± 0.001	0.058
GIN	0.890 ± 0.003	0.352 ± 0.001	0.926 ± 0.002	0.251 ± 0.001	0.985 ± 0.004	0.187 ± 0.002	0.910 ± 0.003	0.284 ± 0.001	0.051
NGNN	0.882 ± 0.004	0.433 ± 0.002	0.933 ± 0.003	0.247 ± 0.001	0.984 ± 0.004	0.196 ± 0.002	0.926 ± 0.002	0.267 ± 0.001	0.068
Pathformer	0.816 ± 0.003	0.529 ± 0.001	0.895 ± 0.002	0.410 ± 0.001	0.967 ± 0.002	0.297 ± 0.001	0.887 ± 0.002	0.391 ± 0.001	0.081

• CktGNNはOCBデータセットにおいて、Gain、BW、PM、FoMの各指標で最先端の予測性能とトポロジ再現精度を達成した。
• CktGNNのエンコーディングは内部GNNを並列化し外部DAG処理を効率化するため、GRUベースのエンコーダより学習と推論を高速化する。
• 実世界の回路設計タスクでは、CktGNNデコーダは有効なDAGと回路のより高い割合を生成し、ベイズ最適化でFoMを競合的に達成する。
• CktGNNはPACE, DAGNN, D-VAE, GCN, GIN, NGNN, Graphormerなどのいくつかのベースラインをトポロジ再現と予測指標で上回る。
• OCBはアナログ回路トポロジ生成とパラメータ最適化のための拡張性が高く公開されたベンチマークを提供し、再現可能な研究を促進する。