CircuitNet

CircuitNet是一个用于机器学习应用在电子设计自动化（EDA）的开源数据集，支持拥塞、IR下降和时序预测等功能。

CircuitNet is an open-source dataset designed for machine learning applications in Electronic Design Automation (EDA), supporting functionalities such as congestion prediction, IR drop analysis, and timing prediction.

原始信息汇总

CircuitNet 数据集概述

数据集版本更新

• 2023/7/24
  发布特征提取代码，支持使用提供的 LEF/DEF 文件或来自其他来源的 LEF/DEF 文件实现自定义特征提取。

• 2023/6/29
  发布网延迟预测代码，并在网站上添加了网延迟预测的简单教程。

• 2023/6/14
  原数据集重命名为 CircuitNet-N28，并发布时序特征。同时发布新数据集 CircuitNet-N14，支持拥塞、IR 下降和时序预测。

• 2023/3/22
  LEF/DEF 更新，包含技术信息（已消毒）。每个 tar 文件包含 500 个 DEF 文件，可单独解压缩。提供示例 DEF 文件。拥塞特征和从 ISPD2015 基准生成的图形特征可在 Google Drive 和 Baidu Netdisk 中获取。

• 2022/12/29
  LEF/DEF（已消毒）可在 Google Drive 和 Baidu Netdisk 中获取。

• 2022/12/12
  图形特征可在 Google Drive 和 Baidu Netdisk 中获取。

• 2022/9/6
  预训练权重可在 Google Drive 和 Baidu Netdisk 中获取。

• 2022/8/1
  首次发布。

数据集用途

• 拥塞、DRC、IR 下降预测
  提供详细的使用示例，包括测试和训练命令，以及配置文件的调整说明。

• 网延迟预测
  需要 DGL 库。提供数据准备、训练和测试的详细步骤。

许可证

本数据集遵循 BSD 3-Clause 许可证。

引用

如需引用本数据集，请参考提供的 IEEE TCAD 和 ICLR 论文。

联系方式

如有疑问，请联系以下负责人：

• Zhuomin Chai: [e-mail]
• Xun Jiang: [e-mail]
• Yuxiang Zhao: [e-mail]
• Yibo Lin: [e-mail]

搜集汇总

数据集介绍

构建方式

CircuitNet数据集的构建基于电子设计自动化（EDA）领域的实际需求，通过整合多种技术文件如LEF/DEF、网表和图信息，形成了一个多层次的数据结构。该数据集不仅包含了基础的电路设计信息，还通过特征提取技术生成了用于机器学习任务的特征，如拥塞、IR压降和时序预测等。此外，数据集还提供了从ISPD2015基准测试中提取的图特征，进一步丰富了其多样性和实用性。

特点

CircuitNet数据集的显著特点在于其开放性和多样性。它不仅涵盖了多种EDA任务所需的数据类型，如电路布局、时序分析等，还通过不断更新和扩展，支持了从基础到高级的多种预测任务。数据集的结构化设计使得用户可以方便地进行特征提取和模型训练，同时其预训练权重和示例代码的提供，进一步降低了使用门槛。

使用方法

使用CircuitNet数据集时，用户首先需根据任务需求下载相应的数据子集，并通过提供的脚本进行数据预处理。数据集支持多种任务的训练和测试，如拥塞预测、DRC检查和IR压降预测等，用户可通过修改配置文件调整超参数。对于网络延迟预测任务，需额外安装DGL库。数据集还提供了详细的教程和示例代码，帮助用户快速上手并实现自定义特征提取。

背景与挑战

背景概述

CircuitNet是由武汉大学、北京大学等机构的研究人员共同开发的开源数据集，旨在推动机器学习在电子设计自动化（EDA）领域的应用。该数据集首次发布于2022年8月，随后经过多次更新，增加了如LEF/DEF文件、网络延迟预测等功能。CircuitNet的核心研究问题是如何利用机器学习技术提升EDA工具的性能，特别是在拥塞、IR压降和时序预测等关键任务上。其影响力在于为研究人员提供了一个标准化的数据集，促进了EDA领域中机器学习算法的开发与验证。

当前挑战

CircuitNet面临的挑战主要集中在数据集的构建与应用两个方面。首先，构建过程中需要处理大量的电子设计文件，如LEF/DEF和网表，这些文件格式复杂且数据量大，增加了数据预处理的难度。其次，在应用层面，如何有效利用机器学习模型进行拥塞、DRC、IR压降等预测任务，仍需进一步探索。此外，数据集的多样性和覆盖范围也需要不断扩展，以应对不同设计场景的需求。

常用场景

经典使用场景

在电子设计自动化（EDA）领域，CircuitNet数据集的经典使用场景主要集中在利用机器学习技术进行电路设计中的关键问题预测。例如，通过分析电路的布局与布线（LEF/DEF）文件，研究人员可以构建图结构数据，进而预测电路中的拥塞、延迟、IR压降等问题。这种基于数据驱动的预测方法不仅提高了设计的准确性，还显著缩短了设计周期。

衍生相关工作

基于CircuitNet数据集，许多相关研究工作得以展开。例如，有研究者利用该数据集开发了新的图神经网络模型，用于更精确的电路延迟预测。此外，还有工作探讨了如何通过集成学习方法提高拥塞预测的准确性。这些衍生工作不仅丰富了EDA领域的研究内容，还为实际应用提供了更多创新解决方案。

数据集最近研究

最新研究方向

在电子设计自动化（EDA）领域，CircuitNet数据集的最新研究方向主要集中在利用机器学习技术提升电路设计的自动化水平。该数据集通过提供丰富的电路设计信息，如LEF/DEF文件、网表和图结构数据，支持了多种预测任务，包括拥塞、DRC、IR压降和网络延迟预测。这些任务的解决对于提高芯片设计的效率和可靠性至关重要。此外，CircuitNet还推动了领域特定评估指标和学习策略的改进，为机器学习在EDA中的应用提供了新的视角和方法。通过不断更新和扩展数据集，CircuitNet为研究者提供了一个强大的平台，以探索和验证新的算法和技术，从而在实际芯片设计环境中推动创新。