論文の概要: Target Circuit Matching in Large-Scale Netlists using GNN-Based Region Prediction

• arxiv url: http://arxiv.org/abs/2507.19518v1
• Date: Fri, 18 Jul 2025 11:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-03 20:19:02.839321
• Title: Target Circuit Matching in Large-Scale Netlists using GNN-Based Region Prediction
• Title（参考訳）: GNNに基づく領域予測を用いた大規模ネットリストのターゲット回路マッチング
• Authors: Sangwoo Seo, Jimin Seo, Yoonho Lee, Donghyeon Kim, Hyejin Shin, Banghyun Sung, Chanyoung Park,
• Abstract要約: サブグラフマッチングは電子設計自動化(EDA)と回路検証において重要な役割を果たしている。 従来のルールベースの手法は、任意のターゲット回路に一般化する際の制限がある。 ディープラーニングの手法は、これらの課題に対処するための潜在的な解決策として登場した。
• 参考スコア（独自算出の注目度）: 23.42082444039872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Subgraph matching plays an important role in electronic design automation (EDA) and circuit verification. Traditional rule-based methods have limitations in generalizing to arbitrary target circuits. Furthermore, node-to-node matching approaches tend to be computationally inefficient, particularly for large-scale circuits. Deep learning methods have emerged as a potential solution to address these challenges, but existing models fail to efficiently capture global subgraph embeddings or rely on inefficient matching matrices, which limits their effectiveness for large circuits. In this paper, we propose an efficient graph matching approach that utilizes Graph Neural Networks (GNNs) to predict regions of high probability for containing the target circuit. Specifically, we construct various negative samples to enable GNNs to accurately learn the presence of target circuits and develop an approach to directly extracting subgraph embeddings from the entire circuit, which captures global subgraph information and addresses the inefficiency of applying GNNs to all candidate subgraphs. Extensive experiments demonstrate that our approach significantly outperforms existing methods in terms of time efficiency and target region prediction, offering a scalable and effective solution for subgraph matching in large-scale circuits.
• Abstract（参考訳）: サブグラフマッチングは電子設計自動化(EDA)と回路検証において重要な役割を果たしている。 従来のルールベースの手法は、任意のターゲット回路に一般化する際の制限がある。 さらに、ノード間マッチングアプローチは、特に大規模回路では、計算的に非効率である傾向にある。 ディープラーニング手法はこれらの課題に対処する潜在的な解決策として現れてきたが、既存のモデルはグローバルなサブグラフの埋め込みを効率的に捉えたり、非効率なマッチング行列に頼らず、大きな回路での有効性を制限している。 本稿では,グラフニューラルネットワーク(GNN)を用いて,対象回路を含む確率の高い領域を推定する,効率的なグラフマッチング手法を提案する。 具体的には、GNNがターゲット回路の存在を正確に学習できるように、さまざまな負のサンプルを構築し、全回路からグラフ埋め込みを直接抽出する方法を開発し、グローバルなサブグラフ情報をキャプチャし、GNNを全ての候補サブグラフに適用する非効率に対処する。 大規模回路におけるサブグラフマッチングのスケーラブルかつ効率的な解法として,時間効率と目標領域予測の観点から,本手法が既存手法を著しく上回ることを示した。

関連論文リスト

• Balancing Efficiency and Expressiveness: Subgraph GNNs with Walk-Based Centrality [16.85143734063591]
  サブグラフGNNは,グラフニューラルネットワーク(GNN)の限界を克服し,サブグラフの袋を処理する,有望なアーキテクチャとして登場した。 サブグラフGNNは、ノード数で線形にサイズが大きくなるバッグを処理し、より大きなグラフの適用性を妨げている。 本稿では,サブグラフGNNの計算コストを劇的に低減する,効果的で実装が容易な手法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T16:20:54Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Anomal-E: A Self-Supervised Network Intrusion Detection System based on Graph Neural Networks [0.0]
  本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。 GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。 本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
  論文  参考訳（メタデータ） (2022-07-14T10:59:39Z)
• 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)
• 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)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Towards an Efficient and General Framework of Robust Training for Graph Neural Networks [96.93500886136532]
  グラフニューラルネットワーク(GNN)は、いくつかの基本的な推論タスクに大きく進歩している。 GNNの目覚ましい性能にもかかわらず、グラフ構造上の摂動を慎重に作り、誤った予測を下すことが観察されている。 我々は,強靭なGNNを得るために,欲求探索アルゴリズムとゼロ階法を利用する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-25T15:17:58Z)

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。