近日，广东工业大学熊晓明教授团队联合香港科技大学（广州）马宇哲教授团队，共同开展的图神经网络在布局后静态时序分析和光刻热点检测研究工作在IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems（TCAD）上发表。
论文1：GNN-Based Timing Prediction in Pre-Routing Stage with Multi-Task Learning Strategy。论文第一作者为2022级硕士研究生林子浩，指导老师熊晓明教授、蔡述庭教授和高鹏博士等。//ieeexplore.ieee.org/document/10849600
时序收敛是集成电路物理设计中的重要环节，为了加快芯片的制造周期，在布局算法中通常使用静态时序分析（STA）工具评估时序性能并指导其进行时序优化。然而，由于缺乏详细的布线信息，传统的STA工具难以快速且准确地评估时序。
本文提出了一种基于图神经网络（GNN）的STA工具。与之前的研究相比，本文提出了一种新的将电路结构转化为图结构的方法，适用于时序分析问题，提升了GNN模型学习复杂电路结构的能力，利用时序弧和虚拟引脚预测布局阶段的线网延迟与到达时间等时序信息。在特征工程中，提出了NLDM差分化的方法，显著提升了模型的预测精度。同时，通过多任务学习策略，改进了DWA算法，提升了时序分析器对于不同预测目标整体的收敛性。最终，本文的方法在预测精度上显著优于近年来的先进工作，同时还有效减少了推理时间。
论文2：A Lightweight Heterogeneous Graph Embedding Framework for Hotspot Detection。论文第一作者为2022级硕士研究生严浩鹏，指导老师熊晓明教授、马宇哲教授和高鹏博士等。//ieeexplore.ieee.org/document/10891714
热点检测是确保集成电路可制造性的重要步骤，旨在识别布局中的潜在缺陷。模式匹配方法被广泛应用于加速这些缺陷的检测。然而，它们通常在处理复杂偏差时表现不佳。基于图像的机器学习方法被应对这一挑战，但它们往往涉及信息提取的失真，并且有显著的运行时间开销。
本文提出了一种基于修改传递闭包图（MTCG）的新型检测框架。通过应用MTCG的概念，版图可以被精确建模为异构图。通过优化的轻量级异构图神经网络进行版图图嵌入学习，用于版图区域的热点检测分类。此外，本文还提出了一种基于MTCG属性的动态边转换数据增强方法，用以处理光刻热点数据集中数据分布不平衡的困境。本文所提出的方法在ICCAD 2012和ICCAD 2019数据集上进行了评估，在召回率和误报率方面表现优异，推理时间上有显著减少。
IEEE TCAD是电子设计自动化（EDA）领域顶级期刊，是中国计算机学会（CCF）认定的体系结构领域的A类期刊。
近年来，广东工业大学电子设计自动化 (EDA)科研团队在熊晓明教授的带领下，已经为EDA产业输送了众多高层次人才，毕业生遍布华大九天、概伦电子、奇捷、紫光同创、高云等EDA、FPGA企业，研究成果已经在思尔芯、华大九天等EDA龙头企业应用。
