电路表征学习在电子设计自动化 (EDA) 中越来越重要，它通过提高模型效率和准确性为各种下游任务提供服务。一项值得注意的工作 DeepSeq 通过对时间相关性进行编码开创了顺序电路学习。然而，它存在重大限制，包括执行时间延长和架构效率低下。为了解决这些问题，我们引入了 DeepSeq2，这是一个增强顺序电路学习的新框架，通过创新地将其映射到三个不同的嵌入空间——结构、功能和顺序行为——从而允许更细致的表征来捕捉电路动态的固有复杂性。通过采用高效的有向无环图神经网络 (DAG-GNN) 来绕过 DeepSeq 中使用的递归传播，DeepSeq2 显著缩短了执行时间并提高了模型的可扩展性。此外，DeepSeq2 采用了独特的监督机制，可以更有效地捕捉电路内的过渡行为。 DeepSeq2 在序贯电路表示学习中树立了新的基准，在功率估计和可靠性分析方面的表现优于之前的研究。