Abstract
グラフニューラルネットワーク（GNN）は、混雑予測や配線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一方で、回路表現の不整合や、制御された評価プロトコルの欠如によって進展が妨げられています。ここでは、R2G（RTL-to-GDSII）を提案します。これは、情報パリティ（各ビューが同一の属性集合をエンコードし、違いは特徴をどこに付与するかのみ）を備えた、5段階を意識したマルチビュー回路グラフのベンチマークスイートです。30のオープンソースIPコア（最大 10^6 ノード/エッジ）に対して標準化を行います。R2Gは、合成、配置、配線の各段階にまたがるDEFからグラフへのエンドツーエンドのパイプラインを提供し、加えてローダ、統一された分割、ドメイン指標、再現可能なベースラインも備えています。表現の選択をモデルの選択から切り離すことで、R2Gは、先行するEDAおよびグラフMLベンチマークが制御しきれていない交絡要因を切り分けます。GINE、GAT、ResGatedGCNを用いた体系的な研究により、次のことが分かりました。（i）ビュー選択がモデル選択を支配し、同一のGNNに対して、表現間でTest R^2が0.3より大きく変動します。（ii）ノード中心のビューが、配置と配線の両方で最もよく汎化します。（iii）デコーダヘッドの深さ（3--4層）が主要な精度ドライバであり、学習の分岐をほぼ完璧な予測へと変えます（R^2>0.99）。コードとデータセットは https://github.com/ShenShan123/R2G で利用可能です。
