論文の概要: Few-shot Learning on AMS Circuits and Its Application to Parasitic Capacitance Prediction

• arxiv url: http://arxiv.org/abs/2507.06538v1
• Date: Wed, 09 Jul 2025 04:42:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.470104
• Title: Few-shot Learning on AMS Circuits and Its Application to Parasitic Capacitance Prediction
• Title（参考訳）: AMS回路におけるFew-shot Learningとパラサイトキャパシタンス予測への応用
• Authors: Shan Shen, Yibin Zhang, Hector Rodriguez Rodriguez, Wenjian Yu,
• Abstract要約: グラフ表現学習は、アナログ/混合信号(AMS)回路などのグラフ構造化データから特徴を抽出する強力な手法である。 本稿では,AMS回路における寄生効果予測のための数発の学習手法であるCircuitGPSを提案する。
• 参考スコア（独自算出の注目度）: 2.185633347742123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph representation learning is a powerful method to extract features from graph-structured data, such as analog/mixed-signal (AMS) circuits. However, training deep learning models for AMS designs is severely limited by the scarcity of integrated circuit design data. In this work, we present CircuitGPS, a few-shot learning method for parasitic effect prediction in AMS circuits. The circuit netlist is represented as a heterogeneous graph, with the coupling capacitance modeled as a link. CircuitGPS is pre-trained on link prediction and fine-tuned on edge regression. The proposed method starts with a small-hop sampling technique that converts a link or a node into a subgraph. Then, the subgraph embeddings are learned with a hybrid graph Transformer. Additionally, CircuitGPS integrates a low-cost positional encoding that summarizes the positional and structural information of the sampled subgraph. CircuitGPS improves the accuracy of coupling existence by at least 20\% and reduces the MAE of capacitance estimation by at least 0.067 compared to existing methods. Our method demonstrates strong inherent scalability, enabling direct application to diverse AMS circuit designs through zero-shot learning. Furthermore, the ablation studies provide valuable insights into graph models for representation learning.
• Abstract（参考訳）: グラフ表現学習は、アナログ/混合信号(AMS)回路などのグラフ構造化データから特徴を抽出する強力な手法である。 しかし、AMS設計のためのディープラーニングモデルのトレーニングは、集積回路設計データの不足により著しく制限されている。 本研究では,AMS回路における寄生効果予測のための数発の学習手法であるCircuitGPSを提案する。 回路網リストは異種グラフとして表現され、結合容量はリンクとしてモデル化される。 CircuitGPSはリンク予測で事前訓練され、エッジ回帰で微調整される。 提案手法は,リンクやノードをサブグラフに変換するスモールホップサンプリング手法から始める。 そして、そのサブグラフ埋め込みをハイブリッドグラフ変換器で学習する。 さらに、CircuitGPSは、サンプリングされたサブグラフの位置情報と構造情報を要約した低コストな位置エンコーディングを統合している。 CircuitGPSは、結合存在の精度を少なくとも20\%改善し、既存の方法と比較して、容量推定のMAEを0.067以上削減する。 提案手法は,ゼロショット学習による多様なAMS回路設計への直接適用を可能にする,強力な固有のスケーラビリティを示す。 さらに、アブレーション研究は、表現学習のためのグラフモデルに関する貴重な洞察を提供する。

関連論文リスト

• Transferable Parasitic Estimation via Graph Contrastive Learning and Label Rebalancing in AMS Circuits [30.438901630093426]
  本稿では,表現分散とラベルリバランシングを統合し,回路グラフ間の転送性を向上させるグラフコントラスト学習フレームワークを提案する。 CircuitGCLは全ての最先端(SOTA)メソッドより優れており、R2$は33.64% sim 44.20%$、F1スコアは92タイム sim 2.1times$である。
  論文  参考訳（メタデータ） (2025-07-09T04:31:10Z)
• Position-aware Automatic Circuit Discovery [59.64762573617173]
  我々は既存の回路探索手法のギャップを同定し、モデル成分を入力位置間で等しく関連するものとして扱う。 可変長例を含むタスクであっても,回路に位置性を組み込むための2つの改良を提案する。 提案手法により, 位置感応回路の完全自動検出が可能となり, 従来よりも回路サイズと忠実度とのトレードオフが良好になる。
  論文  参考訳（メタデータ） (2025-02-07T00:18:20Z)
• Online Proximal ADMM for Graph Learning from Streaming Smooth Signals [9.34612743192798]
  我々は,潜伏グラフ上でスムーズな観測ストリームを用いたオンライングラフ学習のための新しいアルゴリズムを開発した。 我々のモダス・オペランは、グラフ信号を逐次処理し、メモリと計算コストを抑えることです。 提案手法は,現在最先端のオンライングラフ学習ベースラインと比較して,(準最適性の観点から)追跡性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-09-19T17:12:03Z)
• LaMAGIC: Language-Model-based Topology Generation for Analog Integrated Circuits [17.002169206594793]
  先駆的な言語モデルに基づくトポロジ生成モデルであるLaMAGICを紹介する。 LaMAGICは、カスタム仕様から最適化された回路設計を単一のパスで効率的に生成できる。 LaMAGICは0.01の厳格な許容条件で最大96%の成功率を達成した。
  論文  参考訳（メタデータ） (2024-07-19T22:51:41Z)
• Finding Transformer Circuits with Edge Pruning [71.12127707678961]
  自動回路発見の効率的かつスケーラブルなソリューションとしてエッジプルーニングを提案する。 本手法は,従来の手法に比べてエッジ数の半分未満のGPT-2の回路を探索する。 その効率のおかげで、Edge PruningをCodeLlama-13Bにスケールしました。
  論文  参考訳（メタデータ） (2024-06-24T16:40:54Z)
• 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)
• 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)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)

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。