add todo.md and uv support.

README.md

@@ -19,7 +19,7 @@
 
 </div>
 
-# Geo-Layout Transformer 🚀
+# Geo-Layout Transformer 🚀 🔬
 
 **A Unified, Self-Supervised Foundation Model for Physical Design Analysis**
 
@@ -39,7 +39,7 @@
 - **Frameworks**: PyTorch, PyTorch Geometric (with CUDA optional)
 - **EDA I/O**: GDSII/OASIS (via `klayout` Python API)
 
-## 1. Vision
+## 1. Vision 🎯
 
 The **Geo-Layout Transformer** is a research project aimed at creating a paradigm shift in Electronic Design Automation (EDA) for physical design. Instead of relying on a fragmented set of heuristic-based tools, we are building a single, unified foundation model that understands the deep, contextual "language" of semiconductor layouts.
 
@@ -51,7 +51,7 @@ By leveraging a novel hybrid **Graph Neural Network (GNN) + Transformer** archit
 
 Our vision is to move from disparate, task-specific tools to a centralized, reusable "Layout Understanding Engine" that accelerates the design cycle and pushes the boundaries of PPA (Power, Performance, and Area).
 
-## 2. Core Architecture
+## 2. Core Architecture 🏗️
 
 The model's architecture is designed to hierarchically process layout information, mimicking how a human expert analyzes a design from local details to global context.
 
@@ -93,15 +93,15 @@ Geo-Layout-Transformer/
 └─ README*.md                # English/Chinese documentation
 ```
 
-## 3. Getting Started
+## 3. Getting Started ⚙️
 
-### 3.1. Prerequisites
+### 3.1. Prerequisites 🧰
 
 *   Python 3.9+
 *   A Conda environment is highly recommended.
 *   Access to EDA tools for generating labeled data (e.g., a DRC engine for hotspot labels).
 
-### 3.2. Installation
+### 3.2. Installation 🚧
 
 1.  **Clone the repository:**
     ```bash
@@ -129,11 +129,11 @@ Geo-Layout-Transformer/
 
 > Tip: GPU is optional. For CPU-only environments, install the CPU variants of PyTorch/PyG.
 
-## 4. Project Usage
+## 4. Project Usage 🛠️
 
 The project workflow is divided into two main stages: data preprocessing and model training.
 
-### 4.1. Stage 1: Data Preprocessing
+### 4.1. Stage 1: Data Preprocessing 🧩
 
 The first step is to convert your GDSII/OASIS files into a graph dataset that the model can consume.
 
@@ -161,11 +161,11 @@ When building a graph for each patch, we now preserve both global and per-patch
 
 This follows the spirit of LayoutGMN’s structural encoding while staying compatible with our GNN encoder.
 
-### 4.2. Stage 2: Model Training
+### 4.2. Stage 2: Model Training 🏋️
 
 Once the dataset is ready, you can train the Geo-Layout Transformer.
 
-#### Self-Supervised Pre-training (Recommended)
+#### Self-Supervised Pre-training (Recommended) ⚡
 
 To build a powerful foundation model, we first pre-train it on unlabeled data using a "Masked Layout Modeling" task.
 
@@ -174,7 +174,7 @@ python main.py --config-file configs/default.yaml --mode pretrain --data-dir dat
 ```
 This will train the model to understand the fundamental "grammar" of physical layouts without requiring any expensive labels.
 
-#### Supervised Fine-tuning
+#### Supervised Fine-tuning 🎯
 
 After pre-training, you can fine-tune the model on a smaller, labeled dataset for a specific task like hotspot detection.
 
@@ -185,7 +185,7 @@ After pre-training, you can fine-tune the model on a smaller, labeled dataset fo
     python main.py --config-file configs/hotspot_detection.yaml --mode train --data-dir data/processed/labeled_hotspots/ --checkpoint-path /path/to/pretrained_model.pth
     ```
 
-## 5. Roadmap & Contribution
+## 5. Roadmap & Contribution 🗺️
 
 This project is ambitious and we welcome contributions. Our future roadmap includes:
 
@@ -196,7 +196,7 @@ This project is ambitious and we welcome contributions. Our future roadmap inclu
 
 Please feel free to open an issue or submit a pull request.
 
-## Acknowledgments
+## Acknowledgments 🙏
 
 We stand on the shoulders of open-source communities. This project draws inspiration and/or utilities from:
 

README_zh.md

@@ -19,27 +19,27 @@
 
 </div>
 
-# Geo-Layout Transformer 🚀
+# Geo-Layout Transformer 🚀 🔬
 
 **一个用于物理设计分析的统一、自监督基础模型**
 
 ---
 
-## ✨ 亮点
+## ✨ 亮点 🌟
 
 - **统一基础模型**：覆盖多种物理设计分析任务
 - **混合 GNN + Transformer**：从局部到全局建模版图语义
 - **自监督预训练**：在无标签 GDSII/OASIS 上学习强泛化表示
 - **模块化任务头**：轻松适配（如热点检测、连通性验证）
 
-## 🖥️ 支持系统
+## 🖥️ 支持系统 💻
 
 - **Python**：3.9+
 - **操作系统**：macOS 13+/Apple Silicon、Linux（Ubuntu 20.04/22.04）。Windows 建议使用 **WSL2**
 - **深度学习框架**：PyTorch、PyTorch Geometric（CUDA 可选）
 - **EDA I/O**：GDSII/OASIS（通过 `klayout` Python API）
 
-## 1. 项目愿景
+## 1. 项目愿景 🎯
 
 **Geo-Layout Transformer** 是一个旨在推动电子设计自动化（EDA）物理设计领域范式转变的研究项目。我们不再依赖于一套零散的、基于启发式规则的工具，而是致力于构建一个统一的基础模型，使其能够理解半导体版图深层次的、上下文相关的“设计语言”。
 
@@ -51,7 +51,7 @@
 
 我们的愿景是，从目前分散的、任务特定的工具，演进为一个集中的、可复用的“版图理解引擎”，从而加速设计周期，并突破 PPA（功耗、性能、面积）的极限。
 
-## 2. 核心架构
+## 2. 核心架构 🏗️
 
 该模型的架构设计旨在分层处理版图信息，模仿人类专家从局部细节到全局上下文分析设计的过程。
 
@@ -65,7 +65,7 @@
 
 4.  **特定任务头**：从 Transformer 输出的、具有全局上下文感知能力的最终嵌入，被送入简单、轻量级的神经网络“头”（Head）中，以执行特定的下游任务。这种模块化设计使得核心模型能够以最小的代价适应新的应用。
 
-## 🧭 项目结构
+## 🧭 项目结构 📁
 
 ```text
 Geo-Layout-Transformer/
@@ -93,15 +93,15 @@ Geo-Layout-Transformer/
 └─ README*.md                # 中英文文档
 ```
 
-## 3. 快速上手
+## 3. 快速上手 ⚙️
 
-### 3.1. 环境要求
+### 3.1. 环境要求 🧰
 
 *   Python 3.9+
 *   强烈建议使用 Conda 进行环境管理。
 *   能够访问 EDA 工具以生成带标签的数据（例如，使用 DRC 工具生成热点标签）。
 
-### 3.2. 安装步骤
+### 3.2. 安装步骤 🚧
 
 1.  **克隆代码仓库：**
     ```bash
@@ -129,11 +129,11 @@ Geo-Layout-Transformer/
 
 > 提示：GPU 不是必须的。仅 CPU 环境可安装 PyTorch/PyG 的 CPU 版本。
 
-## 4. 项目使用
+## 4. 项目使用 🛠️
 
 项目的工作流程分为两个主要阶段：数据预处理和模型训练。
 
-### 4.1. 阶段一：数据预处理
+### 4.1. 阶段一：数据预处理 🧩
 
 第一步是将您的 GDSII/OASIS 文件转换为模型可以使用的图数据集。
 
@@ -161,7 +161,7 @@ Geo-Layout-Transformer/
 
 该设计借鉴了 LayoutGMN 的结构编码思想，同时与我们现有的 GNN 编码器保持兼容。
 
-### 4.2. 阶段二：模型训练
+### 4.2. 阶段二：模型训练 🏋️
 
 数据集准备就绪后，您就可以开始训练 Geo-Layout Transformer。
 
@@ -185,7 +185,7 @@ python main.py --config-file configs/default.yaml --mode pretrain --data-dir dat
     python main.py --config-file configs/hotspot_detection.yaml --mode train --data-dir data/processed/labeled_hotspots/ --checkpoint-path /path/to/pretrained_model.pth
     ```
 
-## 5. 发展路线与贡献
+## 5. 发展路线与贡献 🗺️
 
 这是一个宏伟的项目，我们欢迎任何形式的贡献。我们未来的发展路线图包括：
 
@@ -196,7 +196,7 @@ python main.py --config-file configs/default.yaml --mode pretrain --data-dir dat
 
 欢迎随时提出 Issue 或提交 Pull Request。
 
-## 致谢
+## 致谢 🙏
 
 本项目离不开开源社区的贡献与启发，特别感谢：
 

TODO.md

@@ -0,0 +1,124 @@
+# TODO — Geo-Layout-Transformer 🚀
+
+目的：遍历项目并把发现的未实现/待完善项整理到此文件，方便后续开发分配与跟踪。📝
+
+简短项目说明 ✨
+- 这是一个面向半导体版图（GDSII/OASIS）的研究型工程，目标构建一个混合 GNN + Transformer 的“版图理解”基础模型（自监督预训练 + 任务微调），用于热点评估、连通性校验、版图匹配等下游任务。
+
+检索与覆盖说明（工具扫描结果） 🔎
+- 已扫描主要入口和核心模块：`README*.md`, `main.py`, `src/models/*`, `src/data/*`, `src/engine/*`, `scripts/*`。
+- 发现显式未实现/占位符（`pass`、`TODO`）的位置列在下方。
+
+-一览：显式未实现 / 需要实现（按优先级排序）
+
+- [ ] 1) 必要：数据处理与加载（高优先级） ⚠️
+- 文件：`src/data/dataset.py`
+  - 问题：继承 `InMemoryDataset` 的 `download()` 和 `process()` 方法均为 `pass`。
+  - 影响：无法自动将原始 GDS/OASIS 转换并打包为 PyG 可加载的 `data.pt`。`main.py` 依赖 `LayoutDataset(root=...)` 加载数据，会在没有 `processed` 数据时失败。
+  - 建议实现：
+    1. `download()`：可选，从远程或指定路径复制原始文件（若不需要可留空并在 README 标注）。
+    2. `process()`：读取 `raw_dir` 下已由 `scripts/preprocess_gds.py` 生成的 `.pt` 或中间文件，或直接在此处调用解析与图构建逻辑（调用 `src/data/gds_parser.py` 和 `src/data/graph_constructor.py`），最后保存 `torch.save((data, slices), self.processed_paths[0])`。
+    3. 文档化输入目录结构和所需文件名约定。
+  - 估时：3–8 小时，取决于是否复用 `scripts/preprocess_gds.py`。
+
+- [ ] 2) 必要：预处理脚本（高优先级） 🔧
+- 文件：`scripts/preprocess_gds.py`
+  - 问题：脚本中存在 `pass` 和 `TODO`（未实现从标签文件加载标签或完整的预处理流程）。
+  - 影响：无法从 GDS/OASIS 生成可训练的数据集（patch 切分、polygon 裁剪、节点/边构建、保存为 `.pt`）。
+  - 建议实现：
+    1. 实现或封装 `gds_parser`（基于 `gdstk` 或 `klayout`）以读取多层几何并输出 polygon 列表与层信息。
+    2. 实现 patch 切分（窗口大小、stride）、polygon 裁剪与 `is_partial`、area ratio 计算。
+    3. 调用 `graph_constructor` 构造 PyG `Data`（节点特征、边、metadata），并保存为单个或批量 `.pt` 文件放入 `processed_dir`。
+    4. 提供 `--overwrite`、`--workers`、`--verbose` 等 CLI 参数。
+  - 依赖：`gdstk` 或 `klayout`（README 中已提及）。
+  - 估时：2–16 小时（实现完整解析 + 并行化视复杂度而定）。
+
+- [ ] 3) 必要：训练脚本中的数据集划分与 checkpoint（中/高优先级） 🗂️
+- 文件：`main.py`
+  - 问题：存在 TODO，当前将整个 `LayoutDataset` 直接用于 train/val loaders 而非划分；模型 checkpoint 加载被注释（示例中注释掉 `load_state_dict`）。
+  - 影响：无法做标准的训练/验证/测试分割，也缺少断点重载逻辑。
+  - 建议实现：
+    1. 在 `main.py` 中实现基于 `random_split` 或按设计文件/布局分层划分（确保跨-layout 的分割策略），并将结果保存 `splits/` 以保证可复现性。
+    2. 实现 checkpoint 的保存（按 epoch/metric）和加载逻辑（支持 optimizer 和 scheduler state）。
+  - 估时：1–3 小时。
+
+- [ ] 4) 必要/需修正：模型中批次/序列维度处理（中优先级） 🧩
+- 文件：`src/models/geo_layout_transformer.py`
+  - 问题：代码里直接用 `nodes_per_graph[0]` 假设每个图（sample）包含相同数量的 patch（nodes），然后用 `.view(num_graphs, nodes_per_graph[0], -1)` 强制 reshape。这在真实数据里通常不成立（patch 数量/节点数会变化）。
+  - 影响：当样本 patch 数不同或数据使用不定长序列时会崩溃或产生错误的上下文分割。
+  - 建议实现：
+    1. 使用 `torch_geometric` 的 `Batch` 提供的信息按-图聚合 patch embeddings（例如，对每个图做 mean/max pooling，或构建 padded sequences 并 mask）。
+    2. 另外可在 `graph_constructor` 处保证每个样本序列长度固定（但这限制较大）。
+  - 估时：2–6 小时。
+
+- [ ] 5) 必要/改进：Trainer 功能不完整（中优先级） 🚦
+- 文件：`src/engine/trainer.py`
+  - 问题：仅支持少数优化器和 BCE 损失；没有早停、学习率调度、checkpoint 保存、验证调用；示例中注释掉了 Evaluator 的使用。
+  - 影响：难以进行标准训练流程与调参。
+  - 建议实现：
+    1. 增加 checkpoint 保存/加载（model + optimizer + epoch）。
+    2. 支持 scheduler（如 CosineAnnealingLR、ReduceLROnPlateau）与早停逻辑。
+    3. 在 `run()` 中每个 epoch 后调用 `Evaluator`（或传入回调）做验证与模型选择。
+    4. 扩展损失函数注册，添加 `cross_entropy`、`focal`、`dice`（视任务而定）。
+  - 估时：3–8 小时。
+
+- [ ] 6) 改进/增强：任务头与可扩展性（中优先级） 🧠
+- 文件：`src/models/task_heads.py` 与 `src/models/geo_layout_transformer.py`
+  - 问题：任务头目前仅示例了 classification 与 matching，两者接口可能需要标准化（输入 shape、masking、loss 约定）。
+  - 建议：定义统一的 Head 接口（forward 接受 embeddings + mask，可返回 logits + aux），并在配置（configs/*.yaml）中声明 head 类型与损失配置。
+  - 估时：2–4 小时。
+
+- [ ] 7) 可选：scripts/visualize_attention.py 与可解释性工具（低优先级） 🔍
+- 说明：README 提到 attention 可视化，但 `scripts/visualize_attention.py` 需要检查是否完整实现（未详细扫描）。如果目标是可解释性，应实现从 Transformer attention 到版图坐标/多边形映射的工具链。
+- 估时：4–12 小时（视可视化深度）。
+
+- [ ] 8) 项目文档 & CI（低优先级） 📚
+- 问题：`pyproject.toml` 中 Python 要求为 3.12（但 README 写 3.9+），依赖列表为空，`requirements.txt` 存在但需与 `pyproject` 同步。
+- 建议：统一 python 版本约定、完善 `pyproject.toml` dependencies 或使用 `requirements.txt`，添加 basic `tox`/`github actions` 用于 lint/test。
+- 估时：1–3 小时。
+
+隐含的设计改进（建议） 💡
+- 增加端到端的单元/集成测试（最小例：人工构造的 patch -> graph -> forward pass），确保 pipeline 各步正确。
+- 在 `scripts/preprocess_gds.py` 中加入小样本模式（debug 用），能快速构造少量样本用于单元测试。
+- 考虑在 `src/data/` 中添加一个轻量的 synthetic generator（随机几何与层），便于 CI 下的快速运行和回归测试。
+
+建议的短期工作分配（建议先做 1→2→3） 🔜
+- A. 实现 `scripts/preprocess_gds.py`（若已有成熟解析器可复用）：2–16h
+- B. 实现 `src/data/dataset.py::process()` 加载 `processed/` 数据并写入 `data.pt`：3h
+- C. 修复 `geo_layout_transformer` 中的序列 reshape（改为按图聚合或 padding+mask）：3–6h
+- D. 在 `main.py` 中实现数据划分与 checkpoint load/save：1–3h
+- E. 在 `trainer` 中加入 eval & checkpoint：3–6h
+
+- 质量门（quality gates） ✅
+- 在完成 A+B 后，应跑通一个最小端到端 smoke test：生成 1–5 个 processed `.pt`，用 `main.py --mode pretrain` 或 `--mode train` 在 1 epoch 上跑通（CPU 可行）。
+- 增加 2 个单元测试：
+  1. graph_constructor 测试：输入简单 polygon 输出节点/边及元数据
+  2. model 前向测试：使用 synthetic batch 验证 forward 不崩溃并返回期望 shape
+
+文件与代码位置清单（已发现的占位实现）
+- src/data/dataset.py — download(), process(): pass
+- scripts/preprocess_gds.py — 主要预处理逻辑存在 pass/TODO
+- main.py — TODO: 数据集划分；checkpoint 加载示例被注释
+- src/models/geo_layout_transformer.py — 假定每个图拥有相同 patch 数（reshape 问题），建议改为可变长度处理
+- src/engine/trainer.py — 基础训练循环已实现，但缺少评估调用、checkpoint、scheduler 支持
+
+后续步骤（我可以为你做的）
+- 如果你同意，我将按优先级 **实现/修复 A + B + C**：
+  1. 实现 `scripts/preprocess_gds.py` 的基础版本（支持 gdstk 作为依赖）并保存 `processed/*.pt`。
+  2. 在 `src/data/dataset.py` 中实现 `process()` 以加载 `processed` 文件并生成 `data.pt`。
+  3. 修复 `geo_layout_transformer` 中的 reshape，采用 pooling 或 padded sequences + mask。
+  4. 运行一个快速 smoke test（1 epoch，CPU），并把结果写入 `TODO.md` 下的进度条目。
+
+要求与注意事项（请确认或提供）
+- 你希望我直接修改代码并在仓库中提交这些改动吗？（我已准备好直接修改并运行 smoke test）。
+- 如果有偏好的 GDS 解析库（`gdstk` 或 `klayout`），请说明；我会优先使用 `gdstk`（requirements.txt 已列出）。
+
+需求覆盖映射
+- "遍历项目代码，找出项目做什么" —— Done（在文档与简短项目说明中覆盖）。
+- "找出哪些没有实现的地方" —— Done（列出显式 `pass` / `TODO`，并补充潜在的设计缺陷与改进项）。
+- "整理到 TODO.md 里面" —— Done（此文件即为输出）。
+
+变更记录
+- 创建：`TODO.md`（列出问题与修复建议）。
+
+最后简短说明：如果你允许我继续实现优先级 A+B+C，我将开始具体编码并在每个重要阶段给出进度更新（包括运行结果和短时间的 smoke tests）。

pyproject.toml

@@ -4,4 +4,17 @@ version = "0.1.0"
 description = "Add your description here"
 readme = "README.md"
 requires-python = ">=3.12"
-dependencies = []
+dependencies = [
+    "gdstk>=0.9.61",
+    "numpy>=2.3.2",
+    "pandas>=2.3.2",
+    "pyyaml>=6.0.2",
+    "scikit-learn>=1.7.1",
+    "torch>=2.8.0",
+    "torch-geometric>=2.6.1",
+    "torchvision>=0.23.0",
+]
+
+[[tool.uv.index]]
+url = "https://pypi.tuna.tsinghua.edu.cn/simple"
+default = true