Fugu-MT 論文翻訳(概要): GNN-ACLP: Graph Neural Networks Based Analog Circuit Link Prediction

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

arxiv url: http://arxiv.org/abs/2504.10240v4
Date: Thu, 24 Jul 2025 11:31:03 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-25 15:10:41.334324
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, Zhi Li, Yugui Lin, Pietro Lio, Shuai Wang,
Abstract要約: 本稿では,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)に基づく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。
参考スコア（独自算出の注目度）: 10.741445394687378
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Circuit link prediction identifying missing component connections from incomplete netlists is crucial in analog circuit design automation. 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 method featuring three innovations to tackle these challenges. First, we introduce the SEAL (learning from 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 a large language model (LLM) to improve the compatibility of netlist formats. Finally, we construct SpiceNetlist, a comprehensive dataset that contains 775 annotated circuits across 10 different component classes. Experiments demonstrate accuracy improvements of 16.08% on SpiceNetlist, 11.38% on Image2Net, and 16.01% on Masala-CHAI compared to the baseline in intra-dataset evaluation, while maintaining accuracy from 92.05% to 99.07% in cross-dataset evaluation, exhibiting robust feature transfer capabilities.
Abstract（参考訳）: アナログ回路設計自動化において、不完全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重要である。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。本稿では,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)に基づく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,10の異なるコンポーネントクラスにわたる775のアノテート回路を含む包括的なデータセットであるSpiceNetlistを構築した。実験では、SpiceNetlistでは16.08%、Image2Netでは11.38%、Masala-CHAIでは16.01%の精度向上が示された。

関連論文リスト

NN-Former: Rethinking Graph Structure in Neural Architecture Representation [67.3378579108611]
グラフニューラルネットワーク(GNN)とトランスフォーマーは、ニューラルネットワークを表現する上で有望なパフォーマンスを示している。これまでの研究で見過ごされている間、兄弟ノードは中心的であることを示す。我々のアプローチは、精度と遅延予測の両方において、常に有望な性能を達成する。
論文参考訳（メタデータ） (2025-07-01T15:46:18Z)
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)
Learning Load Balancing with GNN in MPTCP-Enabled Heterogeneous Networks [13.178956651532213]
本稿では,MP TCP 対応 HetNet の LB 問題に対処するグラフニューラルネットワーク (GNN) モデルを提案する。従来のディープニューラルネットワーク(DNN)と比較して、提案したGNNベースのモデルには2つの重要な長所がある。
論文参考訳（メタデータ） (2024-10-22T15:49:53Z)
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)
Graph Neural Network for Accurate and Low-complexity SAR ATR [2.9766397696234996]
高精度かつ低レイテンシなSAR ATRを実現するために,グラフニューラルネットワーク(GNN)モデルを提案する。提案したGNNモデルは計算複雑性が低く,高い精度を実現する。現状のCNNと比較して、提案したGNNモデルは、計算コストが1/3000、モデルサイズが1/80である。
論文参考訳（メタデータ） (2023-05-11T20:17:41Z)
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)
EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。提案手法はいくつかの最先端手法より一貫して優れている。
論文参考訳（メタデータ） (2022-11-19T09:08:43Z)
Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
ニューラルネットワーク推論タスクのOOD一般化について検討する。目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
論文参考訳（メタデータ） (2022-11-01T18:33:20Z)
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)
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)
Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。