論文の概要: Graph Neural Networks for Automatic Addition of Optimizing Components in Printed Circuit Board Schematics

• arxiv url: http://arxiv.org/abs/2506.10577v1
• Date: Thu, 12 Jun 2025 11:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.697464
• Title: Graph Neural Networks for Automatic Addition of Optimizing Components in Printed Circuit Board Schematics
• Title（参考訳）: プリント回路板の最適成分の自動付加のためのグラフニューラルネットワーク
• Authors: Pascal Plettenberg, André Alcalde, Bernhard Sick, Josephine M. Thomas,
• Abstract要約: 重要なタスクは、回路の堅牢性と信頼性を改善するコンポーネントを追加することで、ドラフトを最適化することである。 本稿では,2部グラフとして表現し,グラフニューラルネットワーク(GNN)に基づくノードペア予測モデルを活用することにより,PCBスキーマへの新たなコンポーネントの追加を自動化するアプローチを提案する。 GNNがこれらの問題を高精度に解決できることを示し、我々の手法がPCB設計の最適化を時間とコスト効率で自動化する可能性を実証する。
• 参考スコア（独自算出の注目度）: 1.49199020343864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The design and optimization of Printed Circuit Board (PCB) schematics is crucial for the development of high-quality electronic devices. Thereby, an important task is to optimize drafts by adding components that improve the robustness and reliability of the circuit, e.g., pull-up resistors or decoupling capacitors. Since there is a shortage of skilled engineers and manual optimizations are very time-consuming, these best practices are often neglected. However, this typically leads to higher costs for troubleshooting in later development stages as well as shortened product life cycles, resulting in an increased amount of electronic waste that is difficult to recycle. Here, we present an approach for automating the addition of new components into PCB schematics by representing them as bipartite graphs and utilizing a node pair prediction model based on Graph Neural Networks (GNNs). We apply our approach to three highly relevant PCB design optimization tasks and compare the performance of several popular GNN architectures on real-world datasets labeled by human experts. We show that GNNs can solve these problems with high accuracy and demonstrate that our approach offers the potential to automate PCB design optimizations in a time- and cost-efficient manner.
• Abstract（参考訳）: 印刷回路基板(PCB)の設計と最適化は、高品質な電子機器の開発に不可欠である。 これにより、回路の堅牢性と信頼性を向上させるコンポーネント、例えばプルアップ抵抗やデカップリングコンデンサを追加することで、ドラフトを最適化することが重要な課題である。 熟練したエンジニアが不足し、手動の最適化が非常に時間がかかるため、これらのベストプラクティスは無視されることが多い。 しかし、これは一般的に、後の開発段階でトラブルシューティングのコストが高くなり、製品ライフサイクルが短縮され、リサイクルが困難となる電子廃棄物の増加につながる。 本稿では,2部グラフとして表現し,グラフニューラルネットワーク(GNN)に基づくノードペア予測モデルを活用することにより,PCBスキーマに新たなコンポーネントを追加する手法を提案する。 提案手法を3つのPCB設計最適化タスクに適用し,人的専門家によってラベル付けされた実世界のデータセット上でのGNNアーキテクチャの性能を比較した。 GNNがこれらの問題を高精度に解決できることを示し、我々の手法がPCB設計の最適化を時間とコスト効率で自動化する可能性を実証する。

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)
• Automated Design and Optimization of Distributed Filtering Circuits via Reinforcement Learning [20.500468654567033]
  そこで本研究では,DFC設計のための新しいエンドツーエンド自動手法を提案する。 提案手法は強化学習(RL)アルゴリズムを利用して,技術者の設計経験への依存を解消する。 本手法は, 複雑もしくは急速に発展するDFCの設計において, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-02-22T02:36:14Z)
• 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)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)

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。