Бенчмарковый набор данных на графовой основе для разбиения нетлистов печатных плат

Почему важно разбивать схемные чертежи на части

Любой электронный прибор, от умных часов до «умного» холодильника, опирается на печатные платы (PCB) — эти зелёные панели с множеством мелких компонентов и медных дорожек. Когда инженерам или специалистам по безопасности нужно понять, как работает плата, или проверить её на скрытые уязвимости и подмены, им сначала приходится превратить низкоуровневое описание проводки, называемое нетлистом, в осмысленные функциональные блоки, такие как источники питания, фильтры или коммуникационные узлы. В этой статье представлен BenchPCNP — первый крупный общедоступный бенчмарк, который помогает исследователям обучать и сравнивать современные методы ИИ для автоматического разбиения сложных нетлистов печатных плат на такие понятные модули.

От нечитабельных списков проводки к понятным блокам

Нетлист печатной платы — по сути длинный машинно-читаемый список, описывающий, какие контакты компонентов соединены вместе. Сам по себе он похож на перечень всех перекрёстков в городе без карты. Задача разбиения нетлиста решает эту проблему, группируя компоненты в функциональные подсхемы — превращая громоздкий список в узнаваемые единицы вроде «вход питания», «сигнальный фильтр» или «драйвер светодиодов». Это критично в автоматизации проектирования электроники, где инженерам нужны инструменты для быстрой реорганизации, отладки и переработки схем, а также в реверс-инжиниринге, когда команды анализируют сторонние платы для проверок безопасности и защиты интеллектуальной собственности.

Почему нужны новые данные для более умных инструментов

Недавние достижения в области искусственного интеллекта, особенно графовых нейронных сетей, предназначенных для рассуждений над взаимосвязанными данными, обещают значительные улучшения в автоматическом понимании схем. Однако прогресс тормозится из‑за отсутствия качественных общих наборов данных с надёжными эталонными метками. Ранние исследования использовали небольшие или приватные коллекции нетлистов, что осложняло сравнение методов и воспроизведение результатов. BenchPCNP прямо заполняет этот пробел, собрав 50 реальных, проверенных в производстве проектов печатных плат и аккуратно размечая, как каждая схема разделена на функциональные модули, создавая общий тестовый набор для сообщества.

Как набор данных был построен на основе реальных проектов

Авторы получили исторические проекты печатных плат от профессионального дизайн‑бума, гарантируя, что схемы реалистичны и уже работали на практике. Для каждого проекта они взяли мастер‑нетлист в стандартном формате Protel 2 и связанные с ним суб‑нетлисты, отражающие задуманный дизайнером модульный разбор в соответствии с отраслевым руководством IPC‑2612. Чтобы защитить коммерческие тайны, чертежи схем были удалены, но нетлисты — содержащие имена компонентов и электрические соединения — сохранили. Пять опытных проектировщиков проверили все файлы, затем разделили каждую полную схему на функциональные модули — такие как источник питания, фильтрация, управление светодиодами и разъёмы — создав 54 различных категории модулей, которые отражают, как инженеры повторно используют блоки в разных продуктах.

Преобразование схем в графы для машинного обучения

Чтобы сделать данные удобными для моделей ИИ, команда перевела каждый нетлист в граф, где узлы представляют компоненты, а связи — электрические соединения. Они свели каждый компонент к трём практическим атрибутам — тип детали (например, резистор или интегральная микросхема), тип корпуса и число эффективных выводов — и закодировали их как простые числовые признаки. Были созданы два дополняющих представления связности. В традиционном графовом представлении компоненты связаны попарно. В гиперграфовом представлении одна «гиперсвязь» может объединять множество компонентов, подключённых к одной и той же электрической сети, что более прямо отражает многопользовательские отношения и сокращает избыточные связи. Оба представления предоставлены в стандартизованных JSON‑файлах вместе со скриптами, чтобы другие исследователи могли реконструировать или расширить набор данных.

Что показывает бенчмарк о более умных моделях

Используя BenchPCNP, авторы протестировали несколько популярных графовых нейронных сетей и их гиперграфовые аналоги в задаче назначения каждому компоненту его правильного модуля. Они обнаружили, что модели, использующие гиперграфовое представление, последовательно демонстрируют более высокую точность и F1‑метрику по сравнению с моделями, опирающимися только на традиционные попарные графы, особенно при наличии больших общих сетей, таких как питание и земля. Набор данных также отражает реалистичные дисбалансы: распространённые модули, такие как питание и фильтры, содержат гораздо больше компонентов, чем редкие, например специфические последовательные интерфейсы или ограничители тока. Эксперименты с поэтапным увеличением объёма обучающих данных показали стабильный рост качества, что указывает на хорошую масштабируемость BenchPCNP как тестовой платформы для будущих, более масштабных исследований.

Что это значит для будущей электроники и безопасности

Проще говоря, BenchPCNP даёт исследователям общий и надёжный «сборник карт» реальных «городов‑схем» с чёткими метками районов, чтобы новые инструменты ИИ могли лучше учиться читать и восстанавливать печатные платы. Продемонстрировав, что гиперграфовые модели точнее отражают истинную структуру электрических соединений, работа указывает разработчикам путь к более точным и эффективным методам автоматического обнаружения модулей. В долгосрочной перспективе этот бенчмарк должен ускорить разработку более умных средств проектирования и мощных инструментов реверс‑инжиниринга, помогая инженерам создавать более безопасную электронику и обнаруживать скрытые проблемы в аппаратном обеспечении, лежащем в основе современной жизни.

Цитирование: Yang, J., Qiao, K., Chen, J. et al. A Graph-based Benchmark dataset for Printed Circuit Netlist Partitioning. Sci Data 13, 522 (2026). https://doi.org/10.1038/s41597-026-06818-y

Ключевые слова: печатные платы, графовые нейронные сети, разбиение нетлиста, моделирование гиперграфов, аппаратная безопасность