論文の概要: R2G: A Multi-View Circuit Graph Benchmark Suite from RTL to GDSII
- arxiv url: http://arxiv.org/abs/2604.08810v1
- Date: Thu, 09 Apr 2026 22:59:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 17:57:53.60587
- Title: R2G: A Multi-View Circuit Graph Benchmark Suite from RTL to GDSII
- Title（参考訳）: R2G: RTLからGDSIIへのマルチビューサーキットグラフベンチマークスイート
- Authors: Zewei Zhou, Jiajun Zou, Jiajia Zhang, Ao Yang, Ruichao He, Haozheng Zhou, Ao Liu, Jiawei Liu, Leilei Jin, Shan Shen, Daying Sun,
- Abstract要約: R2Gは5つのステージ認識ビューを情報同値で標準化するマルチビューサーキットグラフベンチマークスイートである。
R2Gは、合成、配置、ルーティングステージにまたがるエンドツーエンドのDEF-to-graphパイプラインを提供する。
- 参考スコア（独自算出の注目度）: 14.790942679912595
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) are increasingly applied to physical design tasks such as congestion prediction and wirelength estimation, yet progress is hindered by inconsistent circuit representations and the absence of controlled evaluation protocols. We present R2G (RTL-to-GDSII), a multi-view circuit-graph benchmark suite that standardizes five stage-aware views with information parity (every view encodes the same attribute set, differing only in where features attach) over 30 open-source IP cores (up to $10^6$ nodes/edges). R2G provides an end-to-end DEF-to-graph pipeline spanning synthesis, placement, and routing stages, together with loaders, unified splits, domain metrics, and reproducible baselines. By decoupling representation choice from model choice, R2G isolates a confound that prior EDA and graph-ML benchmarks leave uncontrolled. In systematic studies with GINE, GAT, and ResGatedGCN, we find: (i) view choice dominates model choice, with Test R$^2$ varying by more than 0.3 across representations for a fixed GNN; (ii) node-centric views generalize best across both placement and routing; and (iii) decoder-head depth (3--4 layers) is the primary accuracy driver, turning divergent training into near-perfect predictions (R$^2$$>$0.99). Code and datasets are available at https://github.com/ShenShan123/R2G.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、混雑予測やワイヤ長推定などの物理設計タスクにますます適用されているが、不整合回路表現や制御された評価プロトコルの欠如によって進行が妨げられている。
R2G(RTL-to-GDSII)は、30以上のオープンソースIPコア(最大10^6$ノード/エッジ)に対して、情報パリティで5つのステージ認識ビューを標準化するマルチビューサーキットグラフベンチマークスイートである。
R2Gは、ローダ、統一分割、ドメインメトリクス、再現可能なベースラインとともに、合成、配置、ルーティングステージにまたがるエンドツーエンドのDEF-to-graphパイプラインを提供する。
表現選択をモデル選択から切り離すことで、R2Gは、以前のEDAとグラフ-MLベンチマークが制御不能なコンファウンドを分離する。
GINE, GAT, ResGatedGCNを用いた系統的研究で, 以下のことが判明した。
i) ビュー選択がモデル選択を支配し、固定GNNの表現全体でテストR$^2$が0.3以上変化する。
(ii)ノード中心ビューは配置とルーティングの両方でベストを一般化し、
(iii)デコーダヘッド深さ(3〜4層)が主精度ドライバであり、発散訓練をほぼ完全な予測(R$^2$>$0.99)に変換する。
コードとデータセットはhttps://github.com/ShenShan123/R2Gで入手できる。
関連論文リスト
- Generalization of Graph Neural Network Models for Distribution Grid Fault Detection [2.183622338864934]
本稿では、RNN+GNNパイプラインモデルにおいて、様々なグラフニューラルネットワーク(GNN)を体系的にベンチマークする。
我々の知る限り、我々は(i)最初にグラフSAGEとグラフアテンション(GAT, GATv2)をRGNNで断層診断に使用することを提案しました。
IEEE 123ノード分散ネットワークの実験結果から, RGATv2はより優れた一般化能力を有することが示された。
論文 参考訳（メタデータ） (2025-10-03T23:46:31Z) - Multi-Slice Spatial Transcriptomics Data Integration Analysis with STG3Net [1.433758865948252]
複数のスライス間のバッチ効果は、トランスクリプトミクスデータを解析する上で大きな課題となる。
我々はG2N(Global Nearest Neighbor)アンカーペア選択という,プラグアンドプレイによるバッチ補正手法を開発した。
G2Nをベースとして,マスク付きグラフ畳み込みオートエンコーダをバックボーンモジュールとして巧みに組み合わせたSTG3Netを提案する。
論文 参考訳（メタデータ） (2024-08-09T02:31:12Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2023-05-18T07:27:18Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - GPNet: Simplifying Graph Neural Networks via Multi-channel Geometric
Polynomials [2.521781613847069]
グラフニューラルネットワーク(GNN)は、グラフ構造化データにおける現実の問題を回避するための有望なアプローチである。
これらのモデルは、通常、過度に滑らかな、過度に適合する、訓練しにくい、強いホモフィリー仮定の4つの基本的な制限のうちの少なくとも1つを持つ。
本稿では, (D1) 拡張畳み込み, (D2) マルチチャネル学習, (D3) 自己注意スコア, (D4) サインファクタなどのキーデザインの集合を同定し,異なるタイプの学習を促進する。
理論的にモデルを解析し、自己注意スコアを調整することにより、様々なグラフフィルタを近似できることを示す。
論文 参考訳（メタデータ） (2022-09-30T13:03:57Z) - Long Range Graph Benchmark [32.317725340138104]
単にワンホップメッセージパッシングに頼るMP-GNNは、既存のグラフベンチマークでよく使われる。
ベースラインのGNNとGraph Transformerネットワークの両方をベンチマークし、長距離依存をキャプチャするモデルがこれらのタスクにおいて著しく優れていることを検証した。
論文 参考訳（メタデータ） (2022-06-16T13:33:22Z) - RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。
既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。
両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
論文 参考訳（メタデータ） (2022-05-03T04:21:15Z) - A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。
グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文 参考訳（メタデータ） (2021-02-12T21:52:43Z) - Distance Encoding: Design Provably More Powerful Neural Networks for
Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。
GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。
より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。
本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文 参考訳（メタデータ） (2020-08-31T23:15:40Z)
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。