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