論文の概要: GNN-ACLP: Graph Neural Networks based Analog Circuit Link Prediction

• arxiv url: http://arxiv.org/abs/2504.10240v1
• Date: Mon, 14 Apr 2025 14:02:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:49:10.062924
• Title: GNN-ACLP: Graph Neural Networks based Analog Circuit Link Prediction
• Title（参考訳）: GNN-ACLP:グラフニューラルネットワークを用いたアナログ回路リンク予測
• Authors: Guanyuan Pan, Tiansheng Zhou, Bingtao Ma, Yaqi Wang, Jianxiang Zhao, Shuai Wang,
• Abstract要約: これらの課題に対処するための3つの革新を特徴とするグラフニューラルネットワーク(GNN)ベースのフレームワークを提案する。 まず、SEAL(Subgraphs, Embeddings, Attributes for Link Prediction)フレームワークを導入し、回路リンク予測においてポートレベルの精度を実現する。 第2に,大言語モデル(LLM)を用いた検索拡張生成(RAG)を利用したネットリストフォーマット変換ツールであるNetlist Babel Fishを提案する。
• 参考スコア（独自算出の注目度）: 6.79287956489916
• License:
• Abstract: Circuit link prediction identifying missing component connections from incomplete netlists is crucial in automating analog circuit design. However, existing methods face three main challenges: 1) Insufficient use of topological patterns in circuit graphs reduces prediction accuracy; 2) Data scarcity due to the complexity of annotations hinders model generalization; 3) Limited adaptability to various netlist formats. We propose GNN-ACLP, a Graph Neural Networks (GNNs) based framework featuring three innovations to tackle these challenges. First, we introduce the SEAL (Subgraphs, Embeddings, and Attributes for Link Prediction) framework and achieve port-level accuracy in circuit link prediction. Second, we propose Netlist Babel Fish, a netlist format conversion tool leveraging retrieval-augmented generation (RAG) with large language model (LLM) to enhance the compatibility of netlist formats. Finally, we construct SpiceNetlist, a comprehensive dataset that contains 775 annotated circuits across 10 different classes of components. The experimental results demonstrate an improvement of 15.05% on the SpiceNetlist dataset and 12.01% on the Image2Net dataset over the existing approach.
• Abstract（参考訳）: アナログ回路設計の自動化には、不完全なネットリストから欠落したコンポーネント接続を特定する回路リンク予測が不可欠である。 しかし、既存の方法は3つの大きな課題に直面している。 1)回路グラフにおけるトポロジ的パターンの不十分な使用は、予測精度を低下させる。 2) アノテーションの複雑さによるデータの不足は,モデルの一般化を妨げる。 3)ネットリスト形式への適応性の制限。 グラフニューラルネットワーク(GNN)ベースのフレームワークであるGNN-ACLPを提案する。 まず、SEAL(Subgraphs, Embeddings, Attributes for Link Prediction)フレームワークを導入し、回路リンク予測においてポートレベルの精度を実現する。 第2に,大言語モデル(LLM)を用いた検索拡張生成(RAG)を利用したネットリストフォーマット変換ツールであるNetlist Babel Fishを提案する。 最後に、SpiceNetlistを構築します。これは10の異なるコンポーネントのクラスにわたる775のアノテートされた回路を含む包括的なデータセットです。 実験結果は、既存のアプローチよりもSpiceNetlistデータセットが15.05%、Image2Netデータセットが12.01%改善したことを示している。

関連論文リスト

• Attribute-Enhanced Similarity Ranking for Sparse Link Prediction [6.774952925054741]
  グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。 本稿では,リンク予測におけるGNNの性能が,より現実的な不均衡設定に反映されないことを示す。 実験により,類似性に基づくリンク予測手法であるGelatoが,既存のGNNベースの代替よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-29T21:22:35Z)
• DE-HNN: An effective neural model for Circuit Netlist representation [11.052573941347267]
  設計者は、ツールの実行よりもはるかに短い時間で、設計に対するフィードバックを提供する高速なツールを望んでいる。 本稿では,方向同変型ハイパーグラフニューラルネットワーク(DE-HNN)を提案する。 我々のDE-HNNは、有向ハイパーグラフに対して自然に、ある置換同変および不変性を満たす任意のノードまたはハイパーエッジ基底関数を普遍的に近似できることを示す。
  論文  参考訳（メタデータ） (2024-03-30T21:54:01Z)
• BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
  グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。 我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。 BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-10-26T17:03:14Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• ReIGNN: State Register Identification Using Graph Neural Networks for Circuit Reverse Engineering [1.6049556762414257]
  ReIGNNは、グラフニューラルネットワーク(GNN)と構造解析を組み合わせた学習ベースのレジスタ分類手法である。 我々は、ReIGNNが平均96.5%のバランスの取れた精度と97.7%の感度を異なる設計で達成できることを示した。
  論文  参考訳（メタデータ） (2021-12-01T19:53:45Z)
• Modeling Gate-Level Abstraction Hierarchy Using Graph Convolutional Neural Networks to Predict Functional De-Rating Factors [0.0]
  グラフ畳み込みネットワーク(GCN)を用いたゲートレベルのネットリストのモデル化手法を提案する。 モデルは、与えられた回路のシーケンシャル要素の全体的な機能劣化因子を予測する。
  論文  参考訳（メタデータ） (2021-04-05T08:38:16Z)
• Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
  グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-11-13T18:53:21Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。