本文为「A Comprehensive Survey on Electronic Design Automation and Graph Neural Networks: Theory and Applications」阅读笔记，补充了部分应用（如link prediction用于reverse engineering）。部分词汇（术语？）由于我背景知识&英语水平有限，保留英语原文，防止跑偏。
pdf

摘要

遵从摩尔定律，芯片设计的复杂性正稳步增加。电子设计自动化（EDA）能应对极具挑战性的大规模集成电路设计，确保可扩展性、可靠性，提高研发效率。然而，EDA方法需要时间和资源，并且往往不能保证得到最优解。针对上述问题，机器学习（ML）已被纳入设计流程中的许多阶段，例如布局（placement）和布线（routing）。许多方法采用欧式数据和ML技术，而忽略了EDA问题中的很多对象可自然地表示为图（graph）。图神经网络（GNN）提供了直接使用电路、中间RTL（寄存器转换级电路Register Transfer Level）和网表（netlist）的图结构来解决EDA问题的机会。本文全面回顾了GNN for EDA的现有工作。按照对图定义、任务和模型种类，我们将现有工作分类到EDA设计流程的各个阶段。此外，我们还分析了它们的实践意义和效果。最后，总结在EDA设计流程中应用GNN时面临的挑战。

引言

芯片设计流程（图1）已经积累、集成了许多软件工具，以方便可靠地综合、模拟、测试和验证不同的电子设计。全流程中的工具统称为电子设计自动化（EDA）。然而，芯片设计流程是顺序的、耗时的。验证和测试设计以确保正确性、可靠性和objective closure，这是必须的。但只有在交付制造前物理验证和检查（signoff）以及测试期间，才能衡量设计在功率、性能和面积（PPA）方面的优劣。中间步骤往往需要纠正性修改，而这些修改会带来设计流程的多轮迭代。 因此，在设计早期对PPA进行估计能减少需要的迭代次数，在流程推进过程中提高设计可靠性，并最终提高结果质量（Quality of Results，QoR）。

在过去几年里，摩尔定律驱动的设计复杂性增加了。芯片容量大约每两年翻一番，这意味着为设计和验证更多样化的芯片付出了越来越多的努力。EDA工具旨在应对新的挑战，并为非常大规模集成（VLSI）提供了自动化解决方案。EDA工具通常面临NP完全问题，机器学习（ML）方法可以更好更快地解决这些问题。因此，ML已集成到EDA中，特别是逻辑合成、放置、路由、测试和验证[23]。在[23]中，确认了四个主要行动领域。首先，ML用于预测传统方法的最佳配置。其次，ML学习模型的特点及其性能，以预测看不见的设计的行为，而无需运行昂贵的合成步骤。此外，设计空间探索可以由ML进行，同时优化PPA。最后，强化学习（RL）探索设计空间，学习策略，并执行转换，以获得通过łAI辅助设计流程实现未来的最佳设计。在EDA中使用ML的一个有利因素是EDA工具在设计过程中生成的大量数据。要在此类数据上应用ML，必须对这些数据进行预处理和标记。现有解决方案使用欧几里得数据等数据，即在二维欧几里得空间中表示它们，允许使用[11、53]中的卷积神经网络（CNN）等ML方法。然而，被称为图神经网络（GNN）的图形的趋势神经网络框架在处理结构直观为图的数据方面取得了显著改进。尽管GNN已经在2005年出现，但它们最近与卷积和池等深度学习（DL）操作相结合，在分子图[65]、推荐系统[64]和交通预测[66]等收益方面引起了显著的关注。

在EDA中，电路、中间RTL、网表（netlist）和版图（layout）最自然的表示是图。过去两年中，有少数研究抓住这个机遇，结合GNN来解决EDA问题。
本综述全面回顾了最近在EDA流程的不同阶段使用GNN的研究。首先介绍EDA和GNN的背景知识，随后给出列出相应的开创性研究。本综述的其余部分组织如下：第2节回顾了EDA流程和背景概念；第3节回顾不同类型的GNN。第4节从设计角度阐述GNN方法的pipeline。第5节讨论将该pipeline应用于EDA任务的研究；第6节总结GNN for EDA的主要成果。最后，第7节总结悬而未决的挑战和未来方向。