ISEDA 2025 · Conference Paper · 通讯作者一作

图神经网络驱动的
统计静态时序分析新范式

A Statistical Static Timing Analysis Algorithm Based On Graph Neural Network

0.0000 测试集精度
+5.83% 超越 SOTA
ISEDA 2025 发表会议
⚡
BACKGROUND

工艺波动下的时序分析危机

在 TSMC N3P、N2 等先进工艺节点下，晶体管特性受光刻精度、掺杂浓度等因素影响产生显著工艺波动（Process Variation），使得芯片性能无法用确定性数值描述。

统计静态时序分析（SSTA）是处理这类不确定性的标准方法——它将延迟建模为概率分布，通过路径传播估算电路整体的时序余量分布。

然而，SSTA 的核心瓶颈在于 MAX 操作的非线性复杂性：在有向无环图中，信号在汇聚节点处取各来源路径延迟的最大值，而当多条路径存在统计相关性时，这一操作的解析计算极为困难。

到达时间 Arrival Time 概率密度 路径 A 路径 B MAX(?)

两路径相关时，MAX 操作的概率分布难以精确解析

方法精度速度可扩展性相关性处理
Monte Carlo● 极高● 极慢● 差● 完整
Clark 近似● 中● 快● 好● 忽略
传统机器学习● 偏低● 快● 一般● 部分
本文 GNN 方法● 极高● 快● 极好● 完整
METHODOLOGY

以图为载体，以神经网络为引擎

将时序电路的物理传播规律映射为图上的信息流动，用 GNN 逐步逼近 MAX 操作的非线性本质。

时序图建模 · 消息传递可视化

FF FF AND OR MAX node FF 输入 FF 逻辑门 汇聚节点 输出 FF

节点 = 电路单元 · 边 = 时序弧 · 消息沿边传播，逐层聚合

🔷
图建模
将时序网表转化为有向无环图（DAG）。节点携带：单元类型、逻辑深度、扇入扇出、工艺参数等特征向量。
📨
多轮消息传递
每轮迭代中，每个节点从所有前驱邻居聚合时序信息，通过 MLP 更新自身隐向量，逐步逼近 MAX 操作的非线性本质。
🎯
多头注意力加权
对不同时序路径赋予差异化权重，网络自动学会关注 critical path，重点建模对最终时序余量影响最大的传播链路。
RESULTS

精度登顶，超越同期最优

在开放测试集上，本方法取得 0.9079 的顶尖精度，较同期 SOTA 方法提升 5.83%。

Clark 近似（传统）
~0.755
Monte Carlo（慢速）
~0.800
前 SOTA 方法
0.8585
本文 GNN 方法 ✦
0.9079
🏆 测试集精度 0.9079 · 超越 SOTA ↑5.83% · ISEDA 2025
PUBLICATION

学术成果

ISEDA · 2025 · Conference Paper · EI 收录

A Statistical Static Timing Analysis Algorithm Based On Graph Neural Network

陈昱凡 等（通讯作者兼第一作者）· 东南大学集成电路学院

创造性地引入图神经网络范式处理 SSTA 中 MAX 操作的非线性复杂性。通过消息传递与多头注意力机制，实现电路内各节点到达时间与时序余量的高度精确预测，在公开测试集上取得 0.9079 顶尖精度，较同期 SOTA 提升 5.83%。

返回主页 PCIe6 物理实现项目