CircuitNet

CircuitNet是由北京大学集成电路学院创建的开放源代码数据集，专为机器学习在电子设计自动化（EDA）领域的应用而设计。该数据集包含10,242个布局，涵盖了逻辑合成和物理设计两个阶段，通过引入不同的设计变量增强了数据的多样性。数据集的创建过程包括数据收集和特征提取，支持多种跨阶段预测任务。CircuitNet主要应用于加速VLSI电路设计的后端流程，解决设计中的可布线性和IR压降等问题。

CircuitNet is an open-source dataset created by the School of Integrated Circuits of Peking University, specifically designed for the application of machine learning in the field of electronic design automation (EDA). The dataset contains 10,242 layouts, covering both logic synthesis and physical design stages, and enhances data diversity by introducing various design variables. The creation process of the dataset includes data collection and feature extraction, and supports multiple cross-stage prediction tasks. CircuitNet is mainly applied to accelerate the backend flow of very-large-scale integration (VLSI) circuit design, addressing issues such as routability and IR drop in designs.

搜集汇总

数据集介绍

构建方式

CircuitNet数据集的构建过程分为数据收集和特征提取两个主要步骤。在数据收集阶段，研究团队通过逻辑合成和物理设计两个阶段，将RISC-V设计从寄存器传输级（RTL）映射到28纳米技术节点的门级网表，并进一步转化为布局。为了提高数据集的多样性，研究团队在逻辑合成和物理设计中引入了多种设置，如不同的利用率、路由资源和宏位置等。最终，通过排除失败的运行，获得了10,242个布局。在特征提取阶段，研究团队从不同设计阶段提取了支持跨阶段预测任务的特征，包括图状特征（如门级网表）和图像状特征（如从物理布局中提取的二维特征图）。

特点

CircuitNet数据集的特点在于其全面支持后端设计中的跨阶段预测任务，提供了多样化的样本。数据集包含了从逻辑合成到物理设计的多阶段数据，涵盖了不同的设计设置和参数变化，如利用率、路由资源和宏位置等。此外，数据集还提供了丰富的特征，包括图状特征和图像状特征，这些特征在最新的可布线性和IR降预测模型中被广泛采用。数据集的多样性和丰富的特征使其成为电子设计自动化（EDA）领域中机器学习应用的理想选择。

使用方法

CircuitNet数据集的使用方法包括特征预处理和模型训练。研究团队将数据集中的特征按不同阶段分离并存储在不同的目录中，以便用户根据需求进行自定义应用。此外，研究团队还提供了用于预处理和组合不同特征的脚本，这些脚本可以作为参考用于训练和测试。用户可以通过访问CircuitNet的官方网站获取用户指南和下载链接，从而方便地使用该数据集进行机器学习模型的开发和评估。

背景与挑战

背景概述

CircuitNet数据集由北京大学集成电路学院的研究团队于2022年推出，旨在为电子设计自动化（EDA）领域中的机器学习应用提供支持。该数据集特别关注超大规模集成电路（VLSI）设计中的后端设计阶段，通过提供多样化的样本，支持跨阶段预测任务，如可布线性和IR压降预测。CircuitNet的推出填补了该领域公开数据集的空白，促进了机器学习技术在VLSI CAD中的应用研究，对加速设计流程和优化设计质量具有重要影响。

当前挑战

CircuitNet数据集面临的挑战主要体现在两个方面。首先，在领域问题方面，尽管机器学习在EDA中的应用前景广阔，但由于缺乏公开的大规模数据集，研究者在模型训练和验证时往往受限于数据不足，导致难以进行有效的基准测试和结果复现。其次，在数据集构建过程中，研究者需要克服数据生成的复杂性和专业性挑战，包括从逻辑综合到物理设计的多个阶段的数据收集与特征提取，确保数据的多样性和代表性，以支持复杂的跨阶段预测任务。

常用场景

经典使用场景

在电子设计自动化（EDA）领域，CircuitNet数据集被广泛应用于机器学习模型的训练与验证，特别是在超大规模集成电路（VLSI）设计的后端流程中。该数据集通过提供从逻辑合成到物理设计的多样化样本，支持跨阶段预测任务，如布线拥塞、设计规则检查（DRC）违规和IR压降预测。这些任务对于加速设计收敛、优化电路性能至关重要。

实际应用

在实际应用中，CircuitNet数据集被用于优化VLSI设计的后端流程，特别是在先进技术节点下的电路布局和布线优化中。通过利用该数据集训练的机器学习模型，设计工程师能够更快速地预测和解决布线拥塞、DRC违规和IR压降等问题，从而显著缩短设计周期并提高电路性能。此外，该数据集还为EDA工具的开发提供了数据支持，推动了自动化设计工具的创新。

衍生相关工作

CircuitNet数据集的发布催生了一系列相关研究工作，特别是在基于深度学习的EDA应用领域。例如，研究人员利用该数据集开发了基于全卷积网络（FCN）和U-Net的模型，用于布线拥塞和IR压降预测。这些模型在CircuitNet上的表现验证了其有效性，并为进一步的研究提供了参考。此外，CircuitNet还为EDA领域的机器学习算法提供了标准化的评估平台，推动了该领域的算法创新和技术进步。