論文の概要: AnalogGenie: A Generative Engine for Automatic Discovery of Analog Circuit Topologies

• arxiv url: http://arxiv.org/abs/2503.00205v1
• Date: Fri, 28 Feb 2025 21:41:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:14:29.139808
• Title: AnalogGenie: A Generative Engine for Automatic Discovery of Analog Circuit Topologies
• Title（参考訳）: AnalogGenie: アナログ回路トポロジの自動発見のための生成エンジン
• Authors: Jian Gao, Weidong Cao, Junyi Yang, Xuan Zhang,
• Abstract要約: 本稿ではアナログ回路トポロジの自動設計・発見ツールとしてAnalogGenieを提案する。 アナログ回路トポロジーの基礎的な包括的データセットの構築と、アナログ回路に普遍的なスケーラブルなシーケンスベースのグラフ表現の開発である。 実験結果から,アナログICの多様性の拡大,単一設計内でのデバイス数の増加,未確認の回路トポロジの発見など,AnalogGenieの優れた生成性能が示された。
• 参考スコア（独自算出の注目度）: 5.643584390992554
• License:
• Abstract: The massive and large-scale design of foundational semiconductor integrated circuits (ICs) is crucial to sustaining the advancement of many emerging and future technologies, such as generative AI, 5G/6G, and quantum computing. Excitingly, recent studies have shown the great capabilities of foundational models in expediting the design of digital ICs. Yet, applying generative AI techniques to accelerate the design of analog ICs remains a significant challenge due to critical domain-specific issues, such as the lack of a comprehensive dataset and effective representation methods for analog circuits. This paper proposes, $\textbf{AnalogGenie}$, a $\underline{\textbf{Gen}}$erat$\underline{\textbf{i}}$ve $\underline{\textbf{e}}$ngine for automatic design/discovery of $\underline{\textbf{Analog}}$ circuit topologies--the most challenging and creative task in the conventional manual design flow of analog ICs. AnalogGenie addresses two key gaps in the field: building a foundational comprehensive dataset of analog circuit topology and developing a scalable sequence-based graph representation universal to analog circuits. Experimental results show the remarkable generation performance of AnalogGenie in broadening the variety of analog ICs, increasing the number of devices within a single design, and discovering unseen circuit topologies far beyond any prior arts. Our work paves the way to transform the longstanding time-consuming manual design flow of analog ICs to an automatic and massive manner powered by generative AI. Our source code is available at https://github.com/xz-group/AnalogGenie.
• Abstract（参考訳）: 半導体集積回路(IC)の大規模かつ大規模な設計は、生成型AIや5G/6G、量子コンピューティングなど、先進的および将来の多くの技術の進歩を維持するために不可欠である。 近年の研究では,デジタルICの設計の迅速化における基礎モデルの優れた能力が示されている。 しかし、アナログICの設計を加速するために生成AI技術を適用することは、包括的なデータセットの欠如やアナログ回路の効率的な表現方法など、ドメイン固有の重要な問題のために依然として大きな課題である。 本稿では、$\textbf{AnalogGenie}$, a $\underline{\textbf{Gen}}$erat$\underline{\textbf{i}}$ve $\underline{\textbf{e}}$ngine for Automatic Design/Discovery of $\underline{\textbf{Analog}}$ circuit topologiesを提案する。 AnalogGenieは、アナログ回路トポロジーの基礎的な包括的データセットの構築と、アナログ回路に普遍的なスケーラブルなシーケンスベースのグラフ表現の開発である。 実験結果から,アナログICの多様性の拡大,単一設計内でのデバイス数の増加,未確認の回路トポロジの発見など,AnalogGenieの優れた生成性能が示された。 我々の研究は、アナログICの長年にわたる手動設計フローを、生成AIによる自動的かつ大規模に変換する方法を開拓する。 ソースコードはhttps://github.com/xz-group/AnalogGenie.comで公開されています。

関連論文リスト

• Architect of the Bits World: Masked Autoregressive Modeling for Circuit Generation Guided by Truth Table [5.300504429005315]
  本稿では,回路生成のための条件生成モデルと微分可能なアーキテクチャ探索(DAS)を組み合わせた新しい手法を提案する。 まず、Circuit AutoEncoderに基づいてトレーニングされた回路トークンであるCircuitVQを紹介する。 次に,トークンとしてCircuitVQを活用するマスク付き自己回帰モデルであるCircuitARを開発した。
  論文  参考訳（メタデータ） (2025-02-18T11:13:03Z)
• LaMAGIC: Language-Model-based Topology Generation for Analog Integrated Circuits [17.002169206594793]
  先駆的な言語モデルに基づくトポロジ生成モデルであるLaMAGICを紹介する。 LaMAGICは、カスタム仕様から最適化された回路設計を単一のパスで効率的に生成できる。 LaMAGICは0.01の厳格な許容条件で最大96%の成功率を達成した。
  論文  参考訳（メタデータ） (2024-07-19T22:51:41Z)
• AnalogCoder: Analog Circuit Design via Training-Free Code Generation [28.379045024642668]
  本稿では,アナログ回路を設計するための訓練不要なLarge Language ModelsエージェントであるAnalogCoderを紹介する。 フィードバック強化フローとドメイン固有のプロンプトが組み込まれており、アナログ回路の自動化および自己修正設計を可能にする。 20個の回路を設計し、標準のGPT-4oより5個多く設計した。
  論文  参考訳（メタデータ） (2024-05-23T17:13:52Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• LLM4EDA: Emerging Progress in Large Language Models for Electronic Design Automation [74.7163199054881]
  大規模言語モデル(LLM)は、文脈理解、論理推論、回答生成においてその能力を実証している。 本稿では,EDA分野におけるLLMの応用に関する系統的研究を行う。 論理合成,物理設計,マルチモーダル特徴抽出,回路のアライメントにLLMを適用することに焦点を当て,今後の研究の方向性を強調した。
  論文  参考訳（メタデータ） (2023-12-28T15:09:14Z)
• CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
  本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。 オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。 我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
  論文  参考訳（メタデータ） (2023-08-31T02:20:25Z)
• Image Captioning In the Transformer Age [71.06437715212911]
  Image Captioning (IC)は、CNN-RNNエンコーダ・デコーダアーキテクチャに様々な技術を統合することで驚くべき発展を遂げた。 本稿では,ICと一般的な自己教師型学習パラダイムの関連性について分析する。
  論文  参考訳（メタデータ） (2022-04-15T08:13:39Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Domain Knowledge-Based Automated Analog Circuit Design with Deep Reinforcement Learning [6.599793419469274]
  本稿では,アナログ回路の設計を高速化する深層強化学習法を提案する。 実験結果から,既存のベストパフォーマンス手法の1.5倍の効率で,人間レベルの設計精度(99%)を達成できた。
  論文  参考訳（メタデータ） (2022-02-26T16:56:45Z)
• Automatic digital twin data model generation of building energy systems from piping and instrumentation diagrams [58.720142291102135]
  建物からP&IDのシンボルや接続を自動で認識する手法を提案する。 シンボル認識,線認識,およびデータセットへの接続の導出にアルゴリズムを適用する。 このアプローチは、制御生成、(分散)モデル予測制御、障害検出といった、さらなるプロセスで使用することができる。
  論文  参考訳（メタデータ） (2021-08-31T15:09:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。