# 图变成门

> ncd2net 把画好的神经网络结构图编译成只有两输入与非门的网表，并逐位验证。

::: buttons
- [打开网表台](https://nand.aihashrate.stream/ncd2net/)
:::

网表台上每个网表都在你的浏览器里逐门求值，可以当场和浮点模型对比。不连服务器。

## 它做什么

输入是一张配置好尺寸的 pyncd 图（pyncd 是一个用弦图描述神经网络结构的开源 Python 库）。输出是 TapeOut 格式的与非门网表。

1. 按图的结构展开成标量整数运算（定点数）。
2. 跟踪每个值的取值范围，给每根线刚好够用的位宽，不会溢出。
3. 生成 Verilog，用开源综合工具 yosys / abc 映射成两输入与非门。
4. 输出网表、整数权重和验证结果。

## 支持的算子

| 图里的算子 | 门电路里怎么算 |
|---|---|
| 线性层 | 整数乘加，再舍入、饱和 |
| 嵌入 | 每个输出维一张查找表 |
| 因果 softmax | 先按行掩码再归一，指数查表 |
| LayerNorm | 精确求和，开方用逐位开方（只有加减和移位） |
| 加法、ReLU | 对齐小数位相加 / 取正 |

另外加了 RoPE、SiLU、带 sink 的注意力、Sinkhorn 等算子。

## 怎么验证

1. **逐位对照定点参考。** 输入不超过 24 位就穷举全部输入；超过就跑 10 万组随机输入。
2. **形式等价。** 把参考实现和与非门网表做组合等价检查，结论覆盖全部输入。超过 24 位时，这是唯一的证明手段。
3. **对照浮点。** 和 pyncd 自己的 torch 编译（同一组整数权重）比，统计误差。这一步看精度，不算等价证明。

## 结果（2026-09-17）

格式：激活 10 位、4 位小数；权重 4 位、3 位小数。误差单位是 1/16。

| 图 | 输入位 | 与非门 | 深度 | 验证 | 对 torch 平均误差 |
|---|---|---|---|---|---|
| 注意力核心 | 24 | 1,024 | 94 | 穷举 2^24 一致 | 0.0037 |
| 注意力块 | 16 | 5,999 | 325 | 穷举 2^16 一致 | 0.021 |
| 前馈残差块 | 8 | 674 | 61 | 穷举 2^8 一致 | 0.015 |
| 一层 Transformer | 16 | 7,809 | 415 | 穷举 2^16 一致 | 0.024 |
| 完整一层代数 Transformer | 4 | 86 | 3 | 穷举 2^4 一致 | 0.021 |

> 这些是很小尺寸的图，只为证明编译和验证这条路走得通。门数随位宽和查找表大小增长，除法和开方最贵。

## 下一步

- [门电路大脑](index.md)：整个小模型换成门，在浏览器里算。
- [网表格式](../reference/netlist.md)：TapeOut 网表的字节格式。
