1
题目：PolarGate: Breaking the Functionality Representation Bottleneck of And-Inverter Graph Neural Network
作者：Jiawei Liu, Jianwang Zhai, Mingyu Zhao, Zhe Lin, Bei Yu, Chuan Shi.
摘要：理解布尔网络的功能对于诸如功能等价性检查、逻辑综合和恶意逻辑识别等过程至关重要。随着深度学习在电子设计自动化（EDA）中的普及，图神经网络（GNN）被广泛用于嵌入与非图（AIG），这是布尔网络的标准形式。使用GNN进行布尔表示的一个关键挑战是，尽管GNN能够很好地封装AIG的结构属性，但它们通常无法完全捕获布尔逻辑的功能。此外，大多数为AIG设计的GNN（也称为AIGNN）要么依赖于大量的训练数据，要么需要复杂的监督任务，这使得保持高训练效率和预测精度变得困难。在这项工作中，我们首次专注于通过增强其功能表示能力来突破AIGNN的瓶颈，提供了一个有效的解决方案，称为PolarGate，它自然地将消息传递过程与AIG的逻辑功能对齐。具体来说，我们将逻辑门的行为映射到双极性状态空间，定制可微分的逻辑运算符，并设计了一种功能感知的消息传递策略。在逻辑相关的任务（即信号概率预测和真值表距离预测）上的实验结果表明，PolarGate在布尔表示方面的性能超过了最先进的基于GNN的方法，在两项任务上的学习能力分别提高了62.1%和40.6%，效率分别提高了79.5%和85.6%。
长按下图并点击“识别图中二维码”
即可关注北邮 GAMMA Lab 公众号
