論文の概要: SpiceMixer -- Netlist-Level Circuit Evolution

• arxiv url: http://arxiv.org/abs/2506.01497v1
• Date: Mon, 02 Jun 2025 10:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.186087
• Title: SpiceMixer -- Netlist-Level Circuit Evolution
• Title（参考訳）: SpiceMixer - ネットリストレベル回路の進化
• Authors: Stefan Uhlich, Andrea Bonetti, Arun Venkitaraman, Chia-Yu Hsieh, Mustafa Emre Gürsoy, Ryoga Matsuo, Lorenzo Servadei,
• Abstract要約: SpiceMixerは、SPICEネットリストを進化させることにより、新しいアナログ回路を合成するために開発された遺伝的アルゴリズムである。 正規化されたネットリストフォーマットを使用することで、アルゴリズムは遺伝的演算子の有効性を高める。
• 参考スコア（独自算出の注目度）: 5.779847389724152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces SpiceMixer, a genetic algorithm developed to synthesize novel analog circuits by evolving SPICE netlists. Unlike conventional methods, SpiceMixer operates directly on netlist lines, enabling compatibility with any component or subcircuit type and supporting general-purpose genetic operations. By using a normalized netlist format, the algorithm enhances the effectiveness of its genetic operators: crossover, mutation, and pruning. We show that SpiceMixer achieves superior performance in synthesizing standard cells (inverter, two-input NAND, and latch) and in designing an analog classifier circuit for the Iris dataset, reaching an accuracy of 89% on the test set. Across all evaluated tasks, SpiceMixer consistently outperforms existing synthesis methods.
• Abstract（参考訳）: 本稿では,SPICEネットリストを進化させることにより,新しいアナログ回路を合成する遺伝的アルゴリズムであるSpiceMixerを紹介する。 従来の方法とは異なり、SpiceMixerはネットリストで直接動作し、任意のコンポーネントやサブ回路タイプと互換性を持ち、汎用的な遺伝子操作をサポートする。 正規化されたネットリストフォーマットを使用することで、アルゴリズムはクロスオーバー、突然変異、刈り取りといった遺伝的演算子の有効性を高める。 本研究では,標準セル(インバータ,2入力NAND,ラッチ)の合成やIrisデータセットのアナログ分類回路の設計において,精度が89%に向上することを示す。 すべての評価されたタスクの中で、SpiceMixerは既存の合成方法よりも一貫して優れています。

関連論文リスト

• PowMix: A Versatile Regularizer for Multimodal Sentiment Analysis [71.8946280170493]
  本稿では,単相混合型正規化手法の強みを生かした汎用な埋め込み空間正規化器であるPowMixを紹介する。 PowMixはマルチモーダルアーキテクチャの融合段階の前に統合され、テキストとテキストを混合するなどのモダル内混合を容易にし、レギュレータとして機能する。
  論文  参考訳（メタデータ） (2023-12-19T17:01:58Z)
• Infinite Class Mixup [26.48101652432502]
  Mixupは、トレーニングペアのインプットとラベルを補間することで、追加のサンプルが拡張されるディープネットワークのトレーニング戦略である。 本論文は,各混合ペアのラベルを混合する代わりに,分類器を直接混合することにより,この問題に対処することを目的とする。 Infinite Class Mixupは標準のMixupやRegMixupやRemixなど、バランスの取れた、長い尾のついた、データに制約のあるベンチマークにおいて、パフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2023-05-17T15:27:35Z)
• MixupE: Understanding and Improving Mixup from Directional Derivative Perspective [86.06981860668424]
  理論上は、バニラ・ミックスアップよりも優れた一般化性能を実現するために、Mixupの改良版を提案する。 提案手法は,様々なアーキテクチャを用いて,複数のデータセットにまたがるMixupを改善した。
  論文  参考訳（メタデータ） (2022-12-27T07:03:52Z)
• RandoMix: A mixed sample data augmentation method with multiple mixed modes [12.466162659083697]
  RandoMixは、堅牢性と多様性の課題に対処するために設計された、混合サンプルデータ拡張手法である。 我々は,CIFAR-10/100,Tiny-ImageNet,ImageNet,Google Speech Commandsなど,さまざまなデータセットに対するRandoMixの有効性を評価する。
  論文  参考訳（メタデータ） (2022-05-18T05:31:36Z)
• Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
  Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。 本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
  論文  参考訳（メタデータ） (2022-03-21T07:12:18Z)
• Sequence-Level Mixed Sample Data Augmentation [119.94667752029143]
  本研究は、シーケンス対シーケンス問題に対するニューラルモデルにおける合成行動を促進するための単純なデータ拡張手法を提案する。 我々の手法であるSeqMixは、トレーニングセットから入力/出力シーケンスをソフトに結合することで、新しい合成例を作成する。
  論文  参考訳（メタデータ） (2020-11-18T02:18:04Z)

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。