論文の概要: AnalogFed: Federated Discovery of Analog Circuit Topologies with Generative AI
- arxiv url: http://arxiv.org/abs/2507.15104v1
- Date: Sun, 20 Jul 2025 19:57:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:32.197356
- Title: AnalogFed: Federated Discovery of Analog Circuit Topologies with Generative AI
- Title（参考訳）: AnalogFed: ジェネレーティブAIによるアナログ回路トポロジのフェデレーション
- Authors: Qiufeng Li, Shu Hong, Jian Gao, Xuan Zhang, Tian Lan, Weidong Cao,
- Abstract要約: 研究者は、生成AIの力を利用して、新しいアナログ回路トポロジの発見を自動化することに魅了されている。
現在、生成的AI研究は、小さく、狭く焦点を絞ったプライベートデータセットを構築する個々の研究者に限られている。
AnalogFedは、生のプライベートデータの共有を必要とせずに、分散クライアント間の共同トポロジ検出を可能にする。
- 参考スコア（独自算出の注目度）: 19.219397593943743
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent breakthroughs in AI/ML offer exciting opportunities to revolutionize analog design automation through data-driven approaches. In particular, researchers are increasingly fascinated by harnessing the power of generative AI to automate the discovery of novel analog circuit topologies. Unlocking the full potential of generative AI in these data-driven discoveries requires access to large and diverse datasets.Yet, there is a significant barrier in the analog domain--Analog circuit design is inherently proprietary, involving not only confidential circuit structures but also the underlying commercial semiconductor processes. As a result, current generative AI research is largely confined to individual researchers who construct small, narrowly focused private datasets. This fragmentation severely limits collaborative innovation and impedes progress across the research community. To address these challenges, we propose AnalogFed. AnalogFed enables collaborative topology discovery across decentralized clients (e.g., individual researchers or institutions) without requiring the sharing of raw private data. To make this vision practical, we introduce a suite of techniques tailored to the unique challenges of applying FedL in analog design--from generative model development and data heterogeneity handling to privacy-preserving strategies that ensure both flexibility and security for circuit designers and semiconductor manufacturers. Extensive experiments across varying client counts and dataset sizes demonstrate that AnalogFed achieves performance comparable to centralized baselines--while maintaining strict data privacy. Specifically, the generative AI model within AnalogFed achieves state-of-the-art efficiency and scalability in the design of analog circuit topologies.
- Abstract（参考訳）: AI/MLの最近のブレークスルーは、データ駆動アプローチを通じてアナログ設計自動化に革命をもたらすエキサイティングな機会を提供する。
特に、新しいアナログ回路トポロジの発見を自動化するために、生成AIのパワーを活用することで、研究者はますます魅了されている。
これらのデータ駆動型発見において、生成AIの潜在能力を最大限に活用するには、大規模で多様なデータセットへのアクセスが必要である。アナログドメイン-アナログ回路設計には本質的に独自の障壁があり、秘密の回路構造だけでなく、基礎となる商用半導体プロセスも含んでいる。その結果、現在の生成AI研究は、小さくて焦点を絞ったプライベートなデータセットを構築する個々の研究者に限られている。この断片化は、共同イノベーションを著しく制限し、研究コミュニティ全体の進歩を阻害する。これらの課題に対処するために、AnalogFedを提案する。AnalogFedは、分散化されたクライアント(例えば、個々の研究者や機関)間で、生のデータの共有を必要とせずに、協調的なトポロジ検出を可能にする。このビジョンを実践するために、FedL設計のユニークな課題に合わせた一連のテクニックを導入する。
さまざまなクライアント数とデータセットサイズにわたる大規模な実験は、AnalogFedが厳格なデータプライバシを維持しながら、集中的なベースラインに匹敵するパフォーマンスを実現していることを示している。
具体的には、アナログ回路トポロジの設計において、AnalogFed内の生成AIモデルは最先端の効率性とスケーラビリティを実現する。
関連論文リスト
- Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。
近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。
この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
論文 参考訳（メタデータ） (2025-06-11T03:29:18Z) - Data-Driven Breakthroughs and Future Directions in AI Infrastructure: A Comprehensive Review [0.0]
本稿では,過去15年間の人工知能(AI)の大きなブレークスルーを包括的に合成する。
計算リソース、データアクセス、アルゴリズム革新の収束をトレースすることで、AIの進化における重要なインフレクションポイントを特定する。
論文 参考訳（メタデータ） (2025-05-22T15:12:48Z) - Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。
まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。
我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
論文 参考訳（メタデータ） (2025-05-13T17:59:20Z) - AnalogGenie: A Generative Engine for Automatic Discovery of Analog Circuit Topologies [5.643584390992554]
本稿ではアナログ回路トポロジの自動設計・発見ツールとしてAnalogGenieを提案する。
アナログ回路トポロジーの基礎的な包括的データセットの構築と、アナログ回路に普遍的なスケーラブルなシーケンスベースのグラフ表現の開発である。
実験結果から,アナログICの多様性の拡大,単一設計内でのデバイス数の増加,未確認の回路トポロジの発見など,AnalogGenieの優れた生成性能が示された。
論文 参考訳（メタデータ） (2025-02-28T21:41:20Z) - Exploring the Landscape for Generative Sequence Models for Specialized Data Synthesis [0.0]
本稿では, 複雑度の異なる3つの生成モデルを用いて, 悪意ネットワークトラフィックを合成する手法を提案する。
提案手法は,数値データをテキストに変換し,言語モデリングタスクとして再フレーミングする。
提案手法は,高忠実度合成データの生成において,最先端の生成モデルを超えている。
論文 参考訳（メタデータ） (2024-11-04T09:51:10Z) - Generative AI like ChatGPT in Blockchain Federated Learning: use cases, opportunities and future [4.497001527881303]
本研究は、フェデレーション学習における生成AIの潜在的な統合について検討する。
GAN(generative adversarial Network)とVAE(variantal autoencoder)
合成データの生成は、限られたデータ可用性に関連する課題に、フェデレートされた学習を支援する。
論文 参考訳（メタデータ） (2024-07-25T19:43:49Z) - Generative AI for Secure and Privacy-Preserving Mobile Crowdsensing [74.58071278710896]
生成AIは、学術分野と産業分野の両方から多くの注目を集めている。
セキュアでプライバシ保護のモバイルクラウドセンシング(SPPMCS)は、データ収集/取得に広く応用されている。
論文 参考訳（メタデータ） (2024-05-17T04:00:58Z) - On the Challenges and Opportunities in Generative AI [157.96723998647363]
私たちは、現在の大規模な生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの根本的な欠点を示しています。
我々は、研究者に実りある研究の方向性を探るための洞察を提供することを目標とし、より堅牢でアクセスしやすい生成AIソリューションの開発を促進する。
論文 参考訳（メタデータ） (2024-02-28T15:19:33Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳（メタデータ） (2023-05-19T10:11:21Z) - FairGen: Fair Synthetic Data Generation [0.3149883354098941]
本稿では,GANアーキテクチャに依存しないより公平な合成データを生成するパイプラインを提案する。
合成データを生成する場合、ほとんどのGANはトレーニングデータに存在するバイアスを増幅するが、これらのバイアスを誘発するサンプルを除去することで、GANは本質的に真の情報的サンプルに重点を置いている、と我々は主張する。
論文 参考訳（メタデータ） (2022-10-24T08:13:47Z) - Rethinking Architecture Design for Tackling Data Heterogeneity in
Federated Learning [53.73083199055093]
注意に基づくアーキテクチャ(例えばTransformers)は、分散シフトに対してかなり堅牢であることを示す。
我々の実験は、畳み込みネットワークをトランスフォーマーに置き換えることによって、過去のデバイスを壊滅的に忘れることを大幅に減らせることを示した。
論文 参考訳（メタデータ） (2021-06-10T21:04:18Z) - Integrated Benchmarking and Design for Reproducible and Accessible
Evaluation of Robotic Agents [61.36681529571202]
本稿では,開発とベンチマークを統合した再現性ロボット研究の新しい概念について述べる。
このセットアップの中心的なコンポーネントの1つはDuckietown Autolabであり、これは比較的低コストで再現可能な標準化されたセットアップである。
本研究では,インフラを用いて実施した実験の再現性を解析し,ロボットのハードウェアや遠隔実験室間でのばらつきが低いことを示す。
論文 参考訳（メタデータ） (2020-09-09T15:31:29Z)
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。