[发明专利]一种基于图神经网络的高效状态寄存器识别方法

权利要求书

1.一种基于图神经网络基于图神经网络的高效状态寄存器识别方法，其特征在于，所述基于图神经网络的高效状态寄存器识别方法对电路网表进行整合处理和映射，并将处理后网表建模为有向图结构；以寄存器节点为起点进行子图划分，提取节点特征与边特征，作为图神经网络的训练集；采用图注意力自动编码器网络GATE作为无监督模型，得到最佳训练模型；使用聚类算法对模型输出结果进行分类，并根据分类结果计算准确度。

2.如权利要求1所述的基于图神经网络的高效状态寄存器识别方法，其特征在于，所述基于图神经网络的高效状态寄存器识别方法包括以下步骤：

步骤一，对电路网表进行整合和映射，规范输入电路网表的结构，消除工艺库不同导致的网表器件差异；

步骤二，以电路网表中各种门和寄存器为节点，以节点的连接关系为边，建立有向图；以寄存器节点为起点对有向图进行划分，提取子图的节点和边特征作为图神经网络的训练集；

步骤三，采用图神经网络GNN算法中的图注意力自动编码器网络GATE作为无监督模型进行训练，根据训练结果优化模型，得到最佳模型；

步骤四，使用最佳模型对待测电路进行测试，采用聚类算法对输出结果进行分类，得到状态寄存器；根据分类结果计算准确度，评估测试结果。

3.如权利要求2所述的基于图神经网络的高效状态寄存器识别方法，其特征在于，步骤一中，所述电路网表的整合指将顶层模块下的多个子网表合并成一个整体网表，并保持网表内与网表间各节点之间的连接关系；所述电路网表的映射指忽略器件的工艺特性，保留器件的功能属性，将不同工艺库的网表映射为统一形式，优化机器学习的数据集。

4.如权利要求2所述的基于图神经网络的高效状态寄存器识别方法，其特征在于，步骤二中，将电路网表转换为非欧几里得图结构，其中节点为网表中的寄存器或其他器件，边为器件之间的连接关系；所述子图划分以寄存器为起点，搜寻其n级扇入内的所有非寄存器节点；以划分后的子图作为图神经网络的输入，以器件种类转化的独热码作为节点特征。

5.如权利要求2所述的基于图神经网络的高效状态寄存器识别方法，其特征在于，步骤三中，采用图注意力自动编码器网络GATE建立进行图神经网络GNN模型的训练；GATE将GNN与自动编码器结合起来，所述模型训练分为编码和解码两个过程：

在编码阶段，使用门嵌入过程和堆叠的图注意网络GAT对图进行编码，每个编码层根据节点的相关性，建立邻接矩阵与注意力系数矩阵，并以图卷积的方式聚合与更新每一层的节点特征；编码阶段更新节点特征的过程涉及两个子函数，计算相关性系数的函数与生成节点表示的函数，如下所示：

在解码阶段，解码器使用与编码器相同数量的层与相同类别的激活函数，每个解码层使用图卷积的方式更新相邻节点的特征，对编码器输出层的结果进行反向恢复，重构有向图；

解码阶段更新节点特征的方式与编码节点相似，解码阶段相相关性系数的计算和生成节点表示的函数如下所示：

将重构图的特征与原图特征进行比对，二者越相似则说明模型越优，相似性可以通过损失函数表示，损失函数的计算方法如下：

使用梯度下降法不断更新模型参数，降低损失函数的值，得到最优化模型。

6.如权利要求2所述的基于图神经网络的高效状态寄存器识别方法，其特征在于，步骤四中，所述采用聚类算法对输出结果进行分类，包括：

将所有寄存器节点标记为候选寄存器节点CRN并放入候选组CG；执行几次迭代；在第i次迭代中，从CG中随机提取一个起始寄存器节点SRN，并将其放入一个空集SI中；计算SRN和CG中所有其他节点之间的特征差值FDV；FDV小于阈值T1的节点从CG中提取并放入SI，而其他节点保留在CG中；重复上述过程，直到CG中只有一个或没有CRN；分组后，计算每个组中的节点数；当该数目小于阈值T2时，组中的所有节点被分类为状态寄存器，否则被分类为数据寄存器。