图神经网络（GNNs）在拥塞预测、线长估算等芯片物理设计任务中应用日益广泛。然而，由于电路表示不一致以及缺乏受控的评估协议，GNNs在该领域的进展受到阻碍。
为解决这一痛点，由研究团队推出的R2G（RTL-to-GDSII）多视图电路图基准套件应运而生。R2G标准化了五种阶段感知的视图，这些视图具有信息对等性（即每个视图编码相同的属性集，仅在特征附着位置上有所不同），覆盖了30个开源IP核，节点/边数量可达$10^6$。
R2G提供了一个端到端的DEF到图的流水线，涵盖综合、布局和布线等阶段。它还配备了加载器、统一的数据划分、领域特定指标以及可复现的基线。通过将表示选择与模型选择解耦，R2G解决了以往EDA和图机器学习基准中未受控的混淆因素。
研究团队使用GINE、GAT和ResGatedGCN进行的系统性研究发现了以下关键洞察：
- 视图选择对模型性能的影响远超模型选择本身，对于固定的GNN，不同表示的测试R$^2$差异可超过0.3；
- 以节点为中心的视图在布局和布线阶段都表现出最佳的泛化能力；
- 解码器头部深度（3-4层）是准确性的主要驱动因素，能将原本发散的训练转化为近乎完美的预测（R$^2$$>$0.99）。
该基准套件的代码和数据集已公开，有望推动GNN在物理设计领域的进一步发展和应用。