一种基于自监督学习的超图分割方法

本发明属于超图分割技术领域，尤其为一种基于自监督学习的超图分割方法，以在集成电路设计等工业应用场景中提供割边数量更少、平衡性更好的超图分割问题的解。本发明，仅需要超图结构和需要分割成的子分块的数量作为输入，通过端到端的自监督神经网络模型训练并自动求解超图分割问题，由于采用的损失函数包含的运算均为PyTorch等目前深度学习框架支持的矩阵运算，因此有着较高的运算效率，以多层超图分割为代表的传统启发式图分割算法由于需要使用启发信息，因此容易落入局部最优，相比之下本专利方法可能在一些情况下取得更加逼近全局最优解的结果，与传统方法相比能够在保证超图分割得到的各分块平衡性的同时，在降低割边的数量方面具有一定优势。