論文の概要: A Survey of Circuit Foundation Model: Foundation AI Models for VLSI Circuit Design and EDA

• arxiv url: http://arxiv.org/abs/2504.03711v1
• Date: Fri, 28 Mar 2025 07:27:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 06:23:22.175798
• Title: A Survey of Circuit Foundation Model: Foundation AI Models for VLSI Circuit Design and EDA
• Title（参考訳）: 回路基礎モデルに関する調査:VLSI回路設計とEDAのための基礎AIモデル
• Authors: Wenji Fang, Jing Wang, Yao Lu, Shang Liu, Yuchao Wu, Yuzhe Ma, Zhiyao Xie,
• Abstract要約: サーキットのためのファンデーションAIモデルは、新しい技術トレンドとして登場した。 新たなAIモデルは,1) 固有回路特性を学習するために,大量のラベル付きデータを用いた自己教師付き事前学習,2) 特定の下流アプリケーションのための効率的な微調整,の2段階を通じて開発されている。
• 参考スコア（独自算出の注目度）: 13.026106814794696
• License:
• Abstract: Artificial intelligence (AI)-driven electronic design automation (EDA) techniques have been extensively explored for VLSI circuit design applications. Most recently, foundation AI models for circuits have emerged as a new technology trend. Unlike traditional task-specific AI solutions, these new AI models are developed through two stages: 1) self-supervised pre-training on a large amount of unlabeled data to learn intrinsic circuit properties; and 2) efficient fine-tuning for specific downstream applications, such as early-stage design quality evaluation, circuit-related context generation, and functional verification. This new paradigm brings many advantages: model generalization, less reliance on labeled circuit data, efficient adaptation to new tasks, and unprecedented generative capability. In this paper, we propose referring to AI models developed with this new paradigm as circuit foundation models (CFMs). This paper provides a comprehensive survey of the latest progress in circuit foundation models, unprecedentedly covering over 130 relevant works. Over 90% of our introduced works were published in or after 2022, indicating that this emerging research trend has attracted wide attention in a short period. In this survey, we propose to categorize all existing circuit foundation models into two primary types: 1) encoder-based methods performing general circuit representation learning for predictive tasks; and 2) decoder-based methods leveraging large language models (LLMs) for generative tasks. For our introduced works, we cover their input modalities, model architecture, pre-training strategies, domain adaptation techniques, and downstream design applications. In addition, this paper discussed the unique properties of circuits from the data perspective. These circuit properties have motivated many works in this domain and differentiated them from general AI techniques.
• Abstract（参考訳）: 人工知能(AI)を駆動する電子設計自動化(EDA)技術は、VLSI回路設計への応用のために広く研究されている。 最近では、回路のための基礎的なAIモデルが、新しい技術トレンドとして登場した。 従来のタスク固有のAIソリューションとは異なり、これらの新しいAIモデルは次の2つの段階によって開発される。 1) 内在回路特性を学習するための大量の未ラベルデータに基づく自己指導型事前学習 2) 初期の設計品質評価,回路関連コンテキスト生成,機能検証など,特定の下流アプリケーションに対して効率的な微調整を行う。 この新パラダイムには、モデル一般化、ラベル付き回路データへの依存の低減、新しいタスクへの効率的な適応、前例のない生成能力など、多くの利点がある。 本稿では,この新たなパラダイムを基盤回路モデル(CFM)として開発したAIモデルについて述べる。 本稿では,130以上の関連作品を対象とした回路基礎モデルの最新動向を包括的に調査する。 2022年以降に導入した作品の90%以上が出版され、この新たな研究動向が短期間に広く注目されていることを示している。 本調査では,既存の回路基盤モデルを2つの主要なタイプに分類することを提案する。 1)予測タスクのための汎用回路表現学習を行うエンコーダに基づく方法 2) 生成タスクに大規模言語モデル(LLM)を活用するデコーダに基づく手法。 紹介した論文では、入力モダリティ、モデルアーキテクチャ、事前学習戦略、ドメイン適応技術、下流設計アプリケーションについて取り上げる。 さらに,本論文では,データの観点から回路のユニークな特性について論じる。 これらの回路特性はこの領域で多くの研究を動機付け、一般的なAI技術と区別している。

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)
• AI-Aided Kalman Filters [65.35350122917914]
  カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。 最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。 本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:53Z)
• Generative AI Models for Different Steps in Architectural Design: A Literature Review [14.910709576423576]
  生成AIモデルの原則と進歩を理解し、アーキテクチャアプリケーションにおけるそれらの関連性を分析することが不可欠である。 本稿ではまず,確率拡散モデル(DDPM),3次元生成モデル,基礎モデルを中心に,生成AI技術の概要を紹介する。 建築設計プロセスを6段階に分割し、2020年から現在までの各段階における関連する研究プロジェクトについてレビューする。
  論文  参考訳（メタデータ） (2024-03-30T13:25:11Z)
• Circuit as Set of Points [39.14967611962792]
  本稿では,回路部品を点雲として扱うことにより,回路設計の新しい視点を提案する。 このアプローチは、プリプロセッシングなしで生データから直接の機能抽出を可能にし、エンドツーエンドのトレーニングを可能にし、高いパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-10-26T14:22:43Z)
• 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)
• PASTA: Pretrained Action-State Transformer Agents [10.654719072766495]
  自己教師型学習は、様々なコンピューティング領域において革命的なパラダイムシフトをもたらした。 最近のアプローチでは、大量のラベルのないデータに基づいて、トランスフォーマーモデルを事前訓練する。 強化学習において、研究者は最近これらのアプローチに適応し、専門家の軌道で事前訓練されたモデルを開発した。
  論文  参考訳（メタデータ） (2023-07-20T15:09:06Z)
• Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
  基礎モデルを用いた最先端UniDA手法の実証的研究を行った。 CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。 単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-05-18T16:28:29Z)
• FAIR AI Models in High Energy Physics [16.744801048170732]
  実験高エネルギー物理学におけるAIモデルに対するFAIR原則の実践的定義を提案する。 これらの原則を適用するためのテンプレートについて説明する。 本稿では,このFAIR AIモデルの堅牢性,ハードウェアアーキテクチャとソフトウェアフレームワーク間のポータビリティ,解釈可能性について報告する。
  論文  参考訳（メタデータ） (2022-12-09T19:00:18Z)
• 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)
• Data-Driven and SE-assisted AI Model Signal-Awareness Enhancement and Introspection [61.571331422347875]
  モデルの信号認識性を高めるためのデータ駆動型手法を提案する。 コード複雑性のSE概念とカリキュラム学習のAIテクニックを組み合わせる。 モデル信号認識における最大4.8倍の改善を実現している。
  論文  参考訳（メタデータ） (2021-11-10T17:58:18Z)
• AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
  そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。 提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。 実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-07-15T16:46:01Z)

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。