DR‑GNN: Dynamisches RTL‑Lernmodell steigert Simulationsergebnisse
In der Welt der Schaltkreise dominieren Graph Neural Networks (GNNs) seit einiger Zeit die Analyse von statischen Eigenschaften. Doch diese Modelle bleiben blind für das Verhalten eines Kreises während der Laufzeit – ein entscheidender Faktor für Verifikation und Optimierung. Mit DR‑GNN (DynamicRTL‑GNN) wird dieses Problem angegangen: Das neue Verfahren lernt RTL‑Repräsentationen, indem es sowohl die statische Struktur als auch die mehrtaktigen Ausführungsverhalten integriert.
