論文の概要: Unsupervised Graph Neural Network Framework for Balanced Multipatterning in Advanced Electronic Design Automation Layouts

• arxiv url: http://arxiv.org/abs/2511.16374v1
• Date: Thu, 20 Nov 2025 13:57:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.65534
• Title: Unsupervised Graph Neural Network Framework for Balanced Multipatterning in Advanced Electronic Design Automation Layouts
• Title（参考訳）: 高度電子設計自動化レイアウトにおけるバランスのとれたマルチパターンのための教師なしグラフニューラルネットワークフレームワーク
• Authors: Abdelrahman Helaly, Nourhan Sakr, Kareem Madkour, Ilhami Torunoglu,
• Abstract要約: 電子設計自動化(EDA)における多パターン化は重要な分解戦略である 本稿では,制約付きグラフ着色問題の変種としてマルチパターンを取り入れたハイブリッドワークフローを提案する。 パイプラインは,(1)GNNをベースとしたエージェントを教師なしで訓練し,初期色予測を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multipatterning is an essential decomposition strategy in electronic design automation (EDA) that overcomes lithographic limitations when printing dense circuit layouts. Although heuristic-based backtracking and SAT solvers can address these challenges, they often struggle to simultaneously handle both complex constraints and secondary objectives. In this study, we present a hybrid workflow that casts multipatterning as a variant of a constrained graph coloring problem with the primary objective of minimizing feature violations and a secondary objective of balancing the number of features on each mask. Our pipeline integrates two main components: (1) A GNN-based agent, trained in an unsupervised manner to generate initial color predictions, which are refined by (2) refinement strategies (a GNN-based heuristic and simulated annealing) that together enhance solution quality and balance. Experimental evaluation in both proprietary data sets and publicly available open source layouts demonstrate complete conflict-free decomposition and consistent color balancing. The proposed framework provides a reproducible, data-efficient and deployable baseline for scalable layout decomposition in EDA workflows.
• Abstract（参考訳）: 多パターン化は電子設計自動化(EDA)において重要な分解戦略であり、密度の高い回路レイアウトを印刷する際のリソグラフィ制限を克服する。 ヒューリスティックベースのバックトラックとSATソルバはこれらの課題に対処できるが、複雑な制約と二次目的の両方を同時に扱うのに苦労することが多い。 本研究では,制約付きグラフ着色問題の変種として,特徴違反の最小化を主目的とし,各マスク上の特徴数のバランスをとるための第2目的として,マルチパターンのハイブリッドワークフローを提案する。 パイプラインは,(1)GNNベースのエージェントを教師なしで訓練し,初期色予測を生成する。(2)改良戦略(GNNベースのヒューリスティックおよびシミュレートされたアニール)により改善され,ソリューションの品質とバランスが向上する。 プロプライエタリデータセットとオープンソースレイアウトの両方で実験的に評価した結果、完全なコンフリクトフリーの分解と一貫性のあるカラーバランスが証明された。 提案するフレームワークは、EDAワークフローにおけるスケーラブルなレイアウト分解のための再現性、データ効率、デプロイ可能なベースラインを提供する。

関連論文リスト

• A Distributed Training Architecture For Combinatorial Optimization [0.0]
  最適化のための分散グラフニューラルネットワーク(GNN)に基づくトレーニングフレームワークを提案する。 実大規模ソーシャルネットワークデータセットと合成された高複雑性グラフの両方で実験を行った。 我々のフレームワークは、ソリューションの品質と計算効率の両方において最先端のアプローチより優れています。
  論文  参考訳（メタデータ） (2025-11-12T12:22:10Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Row-Column Hybrid Grouping for Fault-Resilient Multi-Bit Weight Representation on IMC Arrays [8.430588029181136]
  本稿では, 停止故障(SAF)による計算の不確実性と, 故障除去アルゴリズムの高いコンパイルオーバーヘッド, すなわちFault-Free(FF)について論じる。 まず,従来の列と列の両方に冗長性を導入することで,従来の列群を一般化する,列列ハイブリッドグループと呼ばれる新しいマルチビット重み表現手法を提案する。 第二に,欠陥認識の重み分解問題をアナログ線形プログラミング(ILP)タスクとして再構成するコンパイラを設計し,既製の解法による高速でスケーラブルなコンパイルを実現する。
  論文  参考訳（メタデータ） (2025-08-21T16:05:44Z)
• 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)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Graph Neural Network-based Resource Allocation Strategies for Multi-Object Spectroscopy [6.98188921994299]
  トレーニング可能な資源割り当て戦略のための二部グラフニューラルネットワークアーキテクチャを提案する。 値と制約の項目は、可能なアロケーションに対応するエッジによって接続される2つのグラフノードのセットを形成する。 本研究では,高多重化Subaru Prime Focus Spectrographの天体目標選択戦略を最適化するために,本手法を適用した。
  論文  参考訳（メタデータ） (2021-09-27T21:54:06Z)
• P-WAE: Generalized Patch-Wasserstein Autoencoder for Anomaly Screening [17.24628770042803]
  Patch-wise Wasserstein AutoEncoder (P-WAE) アーキテクチャを提案する。 特に、ジグソーパズルの解法と結合したパッチワイド変分推論モデルを設計する。 MVTec ADデータセットを用いた総合的な実験は、我々のプロポの優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-08-09T05:31:45Z)

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。