論文の概要: CTS-Bench: Benchmarking Graph Coarsening Trade-offs for GNNs in Clock Tree Synthesis

• arxiv url: http://arxiv.org/abs/2602.19330v1
• Date: Sun, 22 Feb 2026 20:29:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.593505
• Title: CTS-Bench: Benchmarking Graph Coarsening Trade-offs for GNNs in Clock Tree Synthesis
• Title（参考訳）: CTS-Bench: クロックツリー合成におけるGNNのグラフ粗大化トレードオフのベンチマーク
• Authors: Barsat Khadka, Kawsher Roxy, Md Rubel Ahmed,
• Abstract要約: 本稿では,グラフ粗化,予測精度,計算効率のトレードオフを評価するベンチマークスイートであるCTS-Benchを紹介する。 グラフの粗化はGPUメモリ使用量を最大17.2倍に削減するが、クロック分布のモデル化に不可欠な構造情報を除去する。 この結果から,汎用グラフクラスタリング手法がCTS学習の目的を根本的に損なう可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.3670422696827525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) are increasingly explored for physical design analysis in Electronic Design Automation, particularly for modeling Clock Tree Synthesis behavior such as clock skew and buffering complexity. However, practical deployment remains limited due to the prohibitive memory and runtime cost of operating on raw gate-level netlists. Graph coarsening is commonly used to improve scalability, yet its impact on CTS-critical learning objectives is not well characterized. This paper introduces CTS-Bench, a benchmark suite for systematically evaluating the trade-offs between graph coarsening, prediction accuracy, and computational efficiency in GNN-based CTS analysis. CTS-Bench consists of 4,860 converged physical design solutions spanning five architectures and provides paired raw gate-level and clustered graph representations derived from post-placement designs. Using clock skew prediction as a representative CTS task, we demonstrate a clear accuracy-efficiency trade-off. While graph coarsening reduces GPU memory usage by up to 17.2x and accelerates training by up to 3x, it also removes structural information essential for modeling clock distribution, frequently resulting in negative $R^2$ scores under zero-shot evaluation. Our findings indicate that generic graph clustering techniques can fundamentally compromise CTS learning objectives, even when global physical metrics remain unchanged. CTS-Bench enables principled evaluation of CTS-aware graph coarsening strategies, supports benchmarking of GNN architectures and accelerators under realistic physical design constraints, and provides a foundation for developing learning-assisted CTS analysis and optimization techniques.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、電子設計自動化における物理設計解析、特にクロックスキューやバッファリング複雑性などのクロックツリー合成の振る舞いをモデル化するために、ますます研究されている。 しかし、実際の配置は、生のゲートレベルのネットリストを操作するのが禁止されたメモリと実行時のコストのために制限されている。 グラフの粗化はスケーラビリティ向上に一般的に使用されるが、CTSクリティカルな学習目標に対する影響は十分に評価されていない。 本稿では,グラフ粗大化,予測精度,計算効率のトレードオフを,GNN による CTS 解析において体系的に評価するベンチマークスイートである CTS-Bench を紹介する。 CTS-Benchは5つのアーキテクチャにまたがる4,860の収束物理設計ソリューションで構成され、ポストプレースメント設計から派生した生のゲートレベルとクラスタ化されたグラフ表現のペアを提供する。 クロックスキュー予測を代表的CTSタスクとして用いて,精度と効率のトレードオフを明確に示す。 グラフの粗化はGPUのメモリ使用量を最大17.2倍に減らし、トレーニングを最大3倍高速化するが、クロック分布をモデル化するのに不可欠な構造情報を除去する。 この結果から,グローバルな物理メトリクスが変化しない場合でも,汎用グラフクラスタリング技術はCTS学習の目的を根本的に損なう可能性が示唆された。 CTS-Benchは、CTS対応グラフ粗大化戦略の原則的評価を可能にし、現実的な物理設計制約の下でGNNアーキテクチャとアクセラレータのベンチマークをサポートし、学習支援のCTS分析と最適化技術を開発する基盤を提供する。

関連論文リスト

• Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems [0.0]
  高エネルギー物理におけるリアルタイム粒子横運動量(p_T$)推定は、厳密なハードウェア制約の下で効率的なアルゴリズムを要求する。 本稿では,物理インフォームドグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々の共同設計手法は、既存のベースラインに比べて精度と効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2025-07-25T12:19:57Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Connectivity Optimized Nested Graph Networks for Crystal Structures [1.1470070927586016]
  グラフニューラルネットワーク(GNN)は、材料科学や化学における様々な応用に応用されている。 提案したモデルでは,MateBenchベンチマークのすべてのタスクにおいて,最新の結果が体系的に改善されることが示されている。
  論文  参考訳（メタデータ） (2023-02-27T19:26:48Z)
• Joint Neural Architecture and Hyperparameter Search for Correlated Time Series Forecasting [40.98168931058165]
  CTS予測の成功の鍵は、時系列の時間的ダイナミクスと時系列間の空間的相関を明らかにすることである。 ディープラーニングベースのソリューションは、これらの側面を識別する上で、素晴らしいパフォーマンスを示します。 我々は、効率的なCTS予測モデルを自動的に考案する、共同でスケーラブルなフレームワークであるSEARCHを提案する。
  論文  参考訳（メタデータ） (2022-11-29T12:03:54Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。