En grafbaserad benchmark-datasett för uppdelning av kretsarnas netlist

Varför det är viktigt att dela upp kretsritningar

Varje elektronisk pryl du äger, från din smartklocka till din smarta kyl, bygger på tryckta kretskort (PCB) — de gröna plattorna fyllda med små komponenter och kopparspår. När ingenjörer eller säkerhetsanalytiker behöver förstå hur ett kort fungerar, eller kontrollera det för dolda svagheter och manipulation, måste de först omvandla en lågnivåbeskrivning av ledningar, kallad netlist, till meningsfulla funktionsblock som strömförsörjning, filter eller kommunikationsenheter. Denna artikel presenterar BenchPCNP, det första stora, öppet tillgängliga benchmark-datasettet som hjälper forskare att träna och jämföra moderna AI-metoder för att automatiskt dela upp komplexa PCB-netlists i sådana begripliga moduler.

Från röriga ledningslistor till begripliga byggstenar

En PCB-netlist är i grunden en lång maskinläsbar lista som beskriver vilka komponentpinnar som är förbundna med varandra. För sig själv är den som att ha varje gatukorsning i en stad nedskriven, men ingen stadskarta. Netlist-uppdelning tar sig an detta genom att gruppera komponenter i funktionella undersystem — och förvandlar den ohanterliga listan till igenkännbara enheter som ”ström-ingång”, ”signalfilter” eller ”LED-drivare”. Detta är avgörande inom elektronisk designautomation, där ingenjörer vill ha verktyg som snabbt kan omorganisera, felsöka eller redesigna kretsar, och inom reverse engineering, där team måste analysera tredjeparts-kort för säkerhetskontroller och skydd av immateriell egendom.

Varför nya data behövs för smartare verktyg

Senare framsteg inom artificiell intelligens, särskilt grafneurala nätverk som är utformade för att resonera över sammankopplad data, lovar stora förbättringar i hur vi automatiskt förstår kretsar. Men framstegen har bromsats av bristen på högkvalitativa, delade datamängder med pålitliga sanningsetiketter. Tidigare studier använde små eller privata samlingar av PCB-netlists, vilket gjorde det svårt att jämföra metoder eller reproducera resultat. BenchPCNP adresserar detta gap genom att samla 50 verkliga, produktionsverifierade PCB-designs och noggrant märka hur varje krets är uppdelad i funktionella moduler, vilket skapar en gemensam testbädd för forskarsamhället.

Hur datasettet byggdes från verkliga designer

Författarna fick historiska PCB-projekt från ett professionellt designhus, vilket säkerställer att kretsarna är realistiska och redan fungerat i praktiken. För varje design tog de master-netlist-filen i ett standardformat Protel 2 och dess associerade sub-netlists som speglar konstruktörens avsedda moduluppdelning, baserat på en industririktlinje känd som IPC-2612. För att skydda kommersiella hemligheter togs schematiska ritningar bort, men netlists — som innehåller komponentnamn och elektriska förbindelser — bevarades. Fem erfarna designers dubbelgranskade alla filer och delade sedan upp varje fullständig krets i funktionella moduler, såsom strömförsörjning, filtrering, LED-kontroll och kontakter, och skapade 54 distinkta modul-kategorier som speglar hur ingenjörer återanvänder byggstenar över många produkter.

Att göra kretsar till grafer för maskininlärning

För att göra datan användbar för AI-modeller översatte teamet varje netlist till en graf, där noder representerar komponenter och länkar representerar elektriska förbindelser. De destillerade varje komponent till tre praktiska attribut — vilken typ av del det är (till exempel resistor eller chip), dess paketstil och hur många pins den effektivt har — och kodade dessa som enkla numeriska egenskaper. Två kompletterande perspektiv på kopplingar skapades. I den traditionella grafvyn kopplas komponenter parvis. I hypergrafvyn kan en enda ”hyperedge” länka många komponenter som delar samma elektriska nät, vilket fångar mångsidiga relationer mer direkt och minskar redundanta länkar. Båda vyerna tillhandahålls i standardiserade JSON-filer, tillsammans med skript så att andra forskare kan återskapa eller utöka datan.

Vad benchmarket visar om smartare modeller

Med BenchPCNP testade författarna flera populära grafneurala nätverk och deras hypergrafbaserade motsvarigheter på uppgiften att tilldela varje komponent till rätt modul. De fann att modeller som använde hypergrafvyn konsekvent nådde högre noggrannhet och F1-poäng än de som använde enbart traditionella parvisa grafer, särskilt i närvaro av stora delade nätverk som ström och jord. Datasettet visar också realistiska obalanser: vanliga moduler, som strömförsörjning och filter, innehåller många fler komponenter än sällsynta, såsom speciella seriella länkar eller strömbegränsare. Experiment där mängden träningsdata gradvis ökades visade stadiga förbättringar i prestation, vilket indikerar att BenchPCNP skalar väl som testbädd för framtida, större studier.

Vad detta betyder för framtida elektronik och säkerhet

I vardagstermer ger BenchPCNP forskare en delad, pålitlig ”kartkundskap” över verkliga kretsstäder, tillsammans med tydliga kvartersbeteckningar, så att nya AI-verktyg kan lära sig läsa och rekonstruera PCB:er mer pålitligt. Genom att visa att hypergrafbaserade modeller bättre fångar den verkliga strukturen hos kretskopplingar, pekar arbetet utvecklare mot mer precisa och effektiva metoder för automatisk modulupptäckt. På sikt bör detta benchmark snabba på utvecklingen av smartare designhjälpmedel och kraftfullare reverse-engineering-verktyg, vilket hjälper ingenjörer bygga säkrare elektronik och upptäcka dolda problem i hårdvaran som ligger till grund för det moderna livet.

Citering: 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

Nyckelord: tryckta kretskort, grafneurala nätverk, netlist-uppdelning, hypergrafmodellering, hårdvarusäkerhet