NoC_dataset-72k

该数据集包含带有点的编辑后图像和原始图像，以及相应的图。所有文件均为Parquet格式。

This dataset comprises edited images with points, original images, and their corresponding figures. All files are in Parquet format.

原始信息汇总

NoC_with_dots 数据集概述

数据集基本信息

• 数据集名称：NoC_with_dots
• 存储格式：Parquet格式
• 数据文件分布：
  • 训练集：parquet/train-*
  • 测试集：parquet/test-*
  • 验证集：parquet/validation-*

数据特征结构

• input_image：图像类型，输入图像
• graph：二进制类型，对应图数据
• edited_image：图像类型，编辑后的图像
• orig_with_dots_image：图像类型，带点的原始图像

数据生成参数范围

• 平面图覆盖率百分比：20%至60%，步长为10%
• 连接百分比：30%至60%，步长为10%
• 发起器数量：2至7个
• 目标数量：2至7个
• 生成实例数量：每个参数组合生成100个实例

搜集汇总

数据集介绍

构建方式

在集成电路设计领域，NoC_dataset-72k数据集通过系统化参数组合生成，覆盖了20%至60%的版图面积利用率和30%至60%的连接密度。针对2到7个初始化器与2到7个目标节点的配置，每种参数组合生成100个实例，最终形成包含图像-图结构对的72,000个样本，所有数据以Parquet格式存储以保证高效读取与处理。

特点

该数据集的核心特征在于多模态数据结构的融合，每个样本包含原始图像、带标注点的图像、编辑后图像及对应的二进制图数据。这种设计同时保留了视觉信息与拓扑结构，为网络-on-chip架构研究提供立体化的数据支持。图像与图结构的并行存储方式，特别适合机器学习模型进行跨模态特征学习与联合分析。

使用方法

研究人员可通过加载Parquet文件直接访问多模态数据流，输入图像与对应图结构可分别用于计算机视觉模型和图神经网络训练。验证集与测试集的划分支持模型性能的客观评估，带标注点的图像版本尤其适用于注意力机制模型的可视化分析，为NoC架构优化提供端到端的实验基础。

背景与挑战

背景概述

在集成电路设计领域，片上网络（NoC）架构的高效布局对提升芯片性能具有关键意义。NoC_dataset-72k数据集由专业研究团队于2023年构建，旨在通过机器学习方法优化网络拓扑结构与物理布局的协同设计。该数据集通过系统化生成数万组包含初始化器与目标节点的连接配置，为NoC布局算法提供了多维度评估基准，显著推动了电子设计自动化领域的数据驱动研究范式。

当前挑战

数据集核心挑战在于解决复杂约束条件下的网络拓扑与物理布局协同优化问题，需同时满足连接覆盖率、布线密度和信号完整性等多目标约束。构建过程中面临生成算法复杂性挑战，需通过参数化控制覆盖20%-60%的布局面积比例和30%-60%的连接比例，并保证2-7个初始化器与目标节点的组合在万级样本中保持拓扑多样性和物理可实现性。

常用场景

经典使用场景

在片上网络设计领域，NoC_dataset-72k数据集通过提供带有连接点标注的编辑图像与原始图像对照，为网络拓扑结构生成任务建立了基准。研究者利用其图像-图结构配对数据，训练深度学习模型自动生成符合物理约束的网络连接方案，显著提升了复杂集成电路的布线效率与可靠性。

衍生相关工作

基于该数据集衍生的经典工作包括NeuralNoC拓扑生成框架与RouteNet性能预测模型。这些研究通过融合图神经网络与计算机视觉技术，实现了从节点分布到最优连接路径的端到端学习，推动了智能芯片设计领域从规则驱动向数据驱动范式的转变。

数据集最近研究

最新研究方向

在芯片设计自动化领域，NoC_dataset-72k数据集正推动片上网络拓扑生成技术的革新。该数据集通过提供带有点位标注的原始与编辑图像及对应图结构，为机器学习模型学习复杂互连模式提供了重要支撑。当前研究聚焦于利用生成对抗网络和图神经网络相结合的方法，自动合成满足特定覆盖率和连接密度约束的优化拓扑结构。这一方向与异构计算和三维集成电路的热点发展紧密关联，显著提升了多核芯片通信架构的设计效率与可靠性，对降低芯片研发成本及缩短设计周期具有深远影响。