快讯 | 北邮GAMMA Lab两篇论文成功被DATE接收

欧洲设计、自动化和测试会议（Design, Automation and Test in Europe Conference，简称DATE）是电子设计自动化（Electronic Design Automation，EDA）领域的四大顶级会议之一（与DAC、ICCAD和ASP-DAC会议并称），同时也是CCF推荐的B类会议。近日，DATE 2025公布录用结果，北邮GAMMA Lab两篇论文成功被DATE接收。下面是论文列表及介绍：

IR-Fusion: A Fusion Framework for Static IR Drop Analysis Combining Numerical Solution and Machine Learning

• 作者：郭枫、翟建旺、贾敬瑜、刘佳玮、赵康、余备、石川

• 合作方：香港中文大学

芯片设计当中，对片上供电网络（PG）的电压降（IR Drop）分析至关重要，但由于集成电路（IC）规模的快速增长，其巨大的计算量具有挑战性。现有电子设计自动化（EDA）软件采用的传统数值方法精度高，但耗时长。为了实现IR Drop的快速分析，引入了各种机器学习（ML）方法来解决数值方法的低效率问题。然而，ML方法的可解释性或可扩展性的问题限制了实际应用。在这项工作中，我们提出了IR- fusion，旨在将数值方法与ML相结合，以实现静态IR Drop分析的准确性和效率之间的权衡和互补。具体而言，我们采用数值方法获得初始解，并利用ML模型进一步提高精度。在我们的框架中，采用了一种高效的数值求解器AMG-PCG来得到粗略的数值初始解。然后，在数值解的基础上，我们采用了基于PG多层结构的分层数值-结构特征融合，并且设计了用于静态IR Drop预测的Inception Attention U-Net模型，以捕捉不同尺度特征的细节和相互作用。为了应对PG设计的局限性和多样性，在训练阶段采用了课程学习的增强策略。在ICCAD2023数据集上对IR-Fusion的评估表明，其精度明显优于以往基于ML的方法，而与数值方法相比，达到相同精度所需的计算时间要少得多。

WideGate: Beyond Directed Acyclic Graph Learning in Subcircuit Boundary Prediction

• 作者：刘佳玮、刘峙岩、何迅、翟建旺、石正源、徐强、余备、石川
• 合作方：EDA国创中心、香港中文大学

子电路边界预测是机器学习在逻辑分析中的一个重要应用，能够有效支持功能验证和逻辑优化等任务。现有方法通常将电路转换为与非图（AIG），然后使用有向无环图神经网络（DAGNN）来完成这项任务。然而，子电路边界预测的两个关键特性与DAG学习的基本假设不一致，这限制了模型的表达能力和泛化能力。为了解决这些问题，我们提出了WideGate，该方法包括一个超越扇入锥和扇出锥的感受野生成模块，以及一个专注于边界的自适应聚合模块。大量实验表明，WideGate在子电路边界预测的预测准确性和训练效率方面显著优于现有方法。