一个用于物理设计分析的统一、自监督基础模型。
推动EDA物理设计领域范式转变
旨在推动EDA物理设计领域范式转变，构建一个能理解半导体版图深层次"设计语言"的统一基础模型。
我们致力于从目前分散的、任务特定的工具，演进为一个集中的、可复用的"版图理解引擎"。通过利用新颖的 图神经网络（GNN）+ Transformer 混合架构，并在海量未标记的 GDSII 数据上进行预训练，该模型经过微调后，能够出色地完成各种关键的后端分析任务，从而加速设计周期，并突破 PPA（功耗、性能、面积）的极限。
传统方法的瓶颈与新技术路径
传统的版图分析方法正面临瓶颈。理解这些困境是探索新技术路径的起点。
监督学习方法需要大量精确标注的数据（如DRC热点），其获取过程不仅耗时，还需昂贵的商业EDA工具和专家经验，成为AI应用的最大障碍。
版图是矢量数据，具有严格的几何约束，并需对旋转、镜像等变换保持不变性。标准CNNs为处理像素图像而生，难以有效捕捉这种结构化信息。
无论是基于规则还是基于像素块的分析，都局限于局部视野，无法理解跨越多个区域的长程依赖关系，导致对设计意图的理解出现偏差。
随着工艺节点演进，设计规则变得愈发复杂，硬编码的规则集变得臃肿且难以维护。同时，全芯片分析对计算资源的需求呈指数级增长。
| 技术范式 | 核心思想 | 主要缺点 |
|---|---|---|
| 基于规则/启发式 | 由专家定义一套详尽的几何规则（如宽度、间距），使用算法进行模式匹配和验证。 | 规则集复杂、维护困难；无法发现未知模式；在新工艺节点上开发周期长；误报率高。 |
| 经典机器学习 | 手动设计特征（如密度、平行线长度），然后使用SVM、决策树等模型进行分类或回归。 | 特征工程是瓶颈，依赖专家知识；特征表达能力有限，难以捕捉复杂的空间关系。 |
| 早期深度学习 (CNN) | 将版图栅格化为图像，使用卷积神经网络（CNN）提取特征，进行热点检测等任务。 | 忽略了版图的矢量特性；对旋转/镜像敏感；需要大量标注数据；上下文感知能力有限。 |
| Geo-Layout Transformer (本项目) | 将版图建模为几何图，用GNN学习局部结构，用Transformer学习全局上下文。通过自监督学习理解版图"语法"。 | 数据表征更自然；分层学习局部与全局信息；极大减少对标注数据的依赖；构建可扩展的统一基础模型。 |
Geo-Layout Transformer的核心思想是采用一种更符合版图数据本质的表征方式，并利用自监督学习来克服数据瓶颈，从而构建一个真正"理解"物理设计的基础模型。
基于成熟研究的技术路线
本项目的技术路线并非凭空创造，而是将学术界已验证的先进模型应用于版图分析领域，具有坚实的理论和实践基础。
将版图的矢量几何信息转换为图结构，是应用图神经网络（GNN）的前提。这一思路借鉴了GNN在社交网络、分子结构等领域处理非欧几里得数据的成功经验。
"GNN编码器 + Transformer"的混合架构，是近年来处理复杂结构化数据（如代码、知识图谱）的SOTA（State-of-the-Art）方案。我们将其引入版图分析领域，以同时捕捉局部和全局信息。
结论：本项目的可行性建立在对成熟研究成果的创新性应用之上。我们并非在发明全新的深度学习算法，而是搭建了一座桥梁，将GNN和Transformer等强大工具的能力引入到集成电路物理设计这一高度专业化的领域，以解决传统方法难以应对的挑战。
借鉴 Vision Transformer 的分块处理思想
该架构借鉴了Vision Transformer (ViT) 的思想，将版图数据分块处理，并通过Transformer捕捉全局依赖关系。
为每个 Patch 图生成嵌入向量
学习 Patch 间的全局依赖关系
热点检测: [热点, 非热点]
连通性验证: [开路, 正常]
版图匹配: [相似度得分]
从基础环境到模型优化的五个阶段
项目分为五个主要阶段，从基础环境搭建到模型的迭代优化。
选择合适的工具能事半功倍。核心技术栈包括 Python, KLayout, PyTorch, 和 PyTorch Geometric (PyG)。
整个项目中最关键、工作量最大的部分。将GDS版图数据划分为"Patch"，并为每个Patch构建几何图表示，定义节点（几何图形）和边（空间关系）。
模型分为两部分：使用GNN作为"Patch编码器"将图编码为向量，然后将向量序列输入"全局Transformer"以学习全局依赖关系。
使用二元交叉熵或Focal Loss等损失函数，通过Adam/AdamW优化器进行训练。通过精确率、召回率、F1-Score等指标评估模型性能。
在基础模型跑通后，探索多尺度Patch、层级化表征、自监督学习和模型可解释性等高级主题。
欢迎参与项目建设
这是一个宏伟的项目，我们欢迎任何形式的贡献。欢迎随时提出 Issue 或提交 Pull Request。