論文の概要: MAGNet: A Multi-Scale Attention-Guided Graph Fusion Network for DRC Violation Detection
- arxiv url: http://arxiv.org/abs/2506.07126v1
- Date: Sun, 08 Jun 2025 13:13:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:10.681005
- Title: MAGNet: A Multi-Scale Attention-Guided Graph Fusion Network for DRC Violation Detection
- Title（参考訳）: MAGNet: DRC振動検出のためのマルチスケール注意誘導グラフフュージョンネットワーク
- Authors: Weihan Lu, Hong Cai Chen,
- Abstract要約: 設計規則チェック(DRC)は、IC設計におけるコスト削減と設計効率の向上に非常に重要である。
DRC予測のためのグラフニューラルネットワークと改良されたU-Netを統合したハイブリッドディープラーニングモデルMAGNetを提案する。
全体として、MAGNetは空間情報、意味情報、構造情報を効果的に組み合わせ、予測精度の向上とDRCホットスポット検出における偽陽性率の低減を実現している。
- 参考スコア（独自算出の注目度）: 0.5261718469769449
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Design rule checking (DRC) is of great significance for cost reduction and design efficiency improvement in integrated circuit (IC) designs. Machine-learning-based DRC has become an important approach in computer-aided design (CAD). In this paper, we propose MAGNet, a hybrid deep learning model that integrates an improved U-Net with a graph neural network for DRC violation prediction. The U-Net backbone is enhanced with a Dynamic Attention Module (DAM) and a Multi-Scale Convolution Module (MSCM) to strengthen its capability in extracting fine-grained and multi-scale spatial features. In parallel, we construct a pixel-aligned graph structure based on chip layout tiles, and apply a specialized GNN to model the topological relationships among pins. During graph construction, a graph-to-grid mapping is generated to align GNN features with the layout image. In addition, a label amplification strategy is adopted during training to enhance the model's sensitivity to sparse violation patterns. Overall, MAGNet effectively combines spatial, semantic, and structural information, achieving improved prediction accuracy and reduced false positive rates in DRC hotspot detection. Subsequently, through incremental training, we achieve a more sensitive discrimination ability for hotspots. The results demonstrate that, in comparison with ibUnet, RouteNet, and J-Net, MAGnet significantly outperforms these models, achieving substantial improvements in overall performance.
- Abstract（参考訳）: 設計ルールチェック(DRC)は、集積回路(IC)設計におけるコスト削減と設計効率の向上に非常に重要である。
機械学習に基づくDRCはコンピュータ支援設計(CAD)において重要なアプローチとなっている。
本稿では,改良されたU-NetとDRC違反予測のためのグラフニューラルネットワークを統合したハイブリッドディープラーニングモデルMAGNetを提案する。
U-Netのバックボーンは、ダイナミックアテンションモジュール(DAM)とマルチスケールコンボリューションモジュール(MSCM)で拡張され、細粒度でマルチスケールの空間的特徴を抽出する能力を強化している。
並列に,チップレイアウトタイルに基づく画素整列グラフ構造を構築し,ピン間のトポロジ的関係をモデル化するために,特殊なGNNを適用した。
グラフ構築中、GNN特徴とレイアウト画像とを一致させるためにグラフからグリッドへのマッピングが生成される。
さらに、スパース違反パターンに対するモデルの感度を高めるために、トレーニング中にラベル増幅戦略を採用する。
全体として、MAGNetは空間情報、意味情報、構造情報を効果的に組み合わせ、予測精度の向上とDRCホットスポット検出における偽陽性率の低減を実現している。
その後、漸進的な訓練により、ホットスポットのより敏感な識別能力を達成する。
その結果、ibUnet、RouteNet、J-Netと比較すると、MAGnetはこれらのモデルを大幅に上回っており、全体的なパフォーマンスが大幅に向上していることがわかった。
関連論文リスト
- MCU-Net: A Multi-prior Collaborative Deep Unfolding Network with Gates-controlled Spatial Attention for Accelerated MR Image Reconstruction [9.441882492801174]
ディープ・アンフォールディング・ネットワーク(DUN)はMRI(accrating magnetic resonance imaging)において有意な可能性を証明している
しかし、それらはしばしば高い計算コストと緩やかな収束率に遭遇する。
我々はこれらの制約に対処するため、MCU-Netと呼ばれるマルチプライオリティ協調型DUNを提案する。
論文 参考訳（メタデータ） (2024-02-04T07:29:00Z) - GSP-KalmanNet: Tracking Graph Signals via Neural-Aided Kalman Filtering [23.19392802641989]
ハイブリッドモデルベース/データ駆動手法を用いて,グラフ信号の追跡について検討する。
我々はGSP-KalmanNetを開発し、グラフィカルな測定から隠れたグラフィカルな状態を追跡する。
提案した GSP-KalmanNet は,精度の向上と実行時間性能の向上に加えて,モデルの誤特定に対する堅牢性の向上を実現している。
論文 参考訳（メタデータ） (2023-11-28T08:43:10Z) - Revisiting Graph Contrastive Learning for Anomaly Detection [14.09889920588769]
既存のグラフコントラスト検出手法は主にグラフ拡張とマルチスケールコントラストモジュールに焦点を当てている。
我々は,既存のGCAD手法を相互に統合したマルチGNNと拡張グラフのコントラストフレームワークMAGを提案する。
本研究は,既存のGCAD手法の欠点に光を当て,マルチGNNおよびグラフ拡張モジュールの可能性を示す。
論文 参考訳（メタデータ） (2023-05-04T01:57:07Z) - 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) - Gradient Gating for Deep Multi-Rate Learning on Graphs [62.25886489571097]
グラフニューラルネットワーク(GNN)の性能向上のための新しいフレームワークであるグラディエントゲーティング(G$2$)を提案する。
我々のフレームワークは,GNN層の出力を,基盤となるグラフのノード間でのメッセージパッシング情報のマルチレートフローのメカニズムでゲーティングすることに基づいている。
論文 参考訳（メタデータ） (2022-10-02T13:19:48Z) - Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2022-08-15T22:30:07Z) - Cross-receptive Focused Inference Network for Lightweight Image
Super-Resolution [64.25751738088015]
トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。
動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。
我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T16:32:29Z) - Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。
従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
論文 参考訳（メタデータ） (2022-05-22T08:01:47Z) - Graph-based Algorithm Unfolding for Energy-aware Power Allocation in
Wireless Networks [27.600081147252155]
我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。
無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。
結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
論文 参考訳（メタデータ） (2022-01-27T20:23:24Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2020-10-06T01:20:27Z)
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。