論文の概要: A CNN-Based Technique to Assist Layout-to-Generator Conversion for Analog Circuits

• arxiv url: http://arxiv.org/abs/2512.00070v1
• Date: Mon, 24 Nov 2025 14:33:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.037771
• Title: A CNN-Based Technique to Assist Layout-to-Generator Conversion for Analog Circuits
• Title（参考訳）: アナログ回路におけるレイアウトからジェネレータへの変換を支援するCNN方式
• Authors: Sungyu Jeong, Minsu Kim, Byungsub Kim,
• Abstract要約: 本稿では,アナログ回路の参照レイアウトを,サブセル生成のために利用可能なジェネレータを効率的に再利用することにより,プロシージャレイアウトジェネレータに変換する手法を提案する。 提案した畳み込みニューラルネットワーク(CNN)モデルは,ライブラリ内で利用可能なジェネレータスクリプトによって生成されるサブセルを自動的に検出する。
• 参考スコア（独自算出の注目度）: 8.28740342585066
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a technique to assist in converting a reference layout of an analog circuit into the procedural layout generator by efficiently reusing available generators for sub-cell creation. The proposed convolutional neural network (CNN) model automatically detects sub-cells that can be generated by available generator scripts in the library, and suggests using them in the hierarchically correct places of the generator software. In experiments, the CNN model examined sub-cells of a high-speed wireline receiver that has a total of 4,885 sub-cell instances including different 145 sub-cell designs. The CNN model classified the sub-cell instances into 51 generatable and one not-generatable classes. One not-generatable class indicates that no available generator can generate the classified sub-cell. The CNN model achieved 99.3% precision in examining the 145 different sub-cell designs. The CNN model greatly reduced the examination time to 18 seconds from 88 minutes required in manual examination. Also, the proposed CNN model could correctly classify unfamiliar sub-cells that are very different from the training dataset.
• Abstract（参考訳）: 本稿では,アナログ回路の参照レイアウトをプロシージャレイアウト生成器に変換する際の補助として,サブセル生成のために利用可能なジェネレータを効率的に再利用する手法を提案する。 提案した畳み込みニューラルネットワーク(CNN)モデルは,ライブラリ内で利用可能なジェネレータスクリプトによって生成されるサブセルを自動的に検出し,ジェネレータソフトウェアの階層的に正しい場所で使用することを推奨する。 実験では、CNNモデルは、145個のサブセルを含む合計4,885個のサブセルインスタンスを持つ高速ワイヤライン受信機のサブセルを調査した。 CNNモデルは、サブセルインスタンスを51の遺伝子型と1の遺伝子型に分類した。 生成不能なクラスは、どのジェネレータも分類されたサブセルを生成できないことを示している。 CNNモデルは145種類のサブセルの設計を調べる際に99.3%の精度を達成した。 CNNモデルは、手動試験に必要な88分から18秒に大幅に短縮した。 また、提案したCNNモデルは、トレーニングデータセットと非常に異なる慣れていないサブセルを正しく分類することができる。

関連論文リスト

• Pulsar Detection with Deep Learning [0.0]
  この論文は、アレイによる特徴と画像診断を融合させる無線パルサー候補選択のためのディープラーニングパイプラインを構築する。 約500GBのGMRTデータから、原電圧はフィルタバンクに変換され、その後分散試験によって分散され、折り畳まれる。 各候補は、4つの診断プロファイル、時間対位相、サブバンド対位相、DM曲線を配列と画像として表現する。
  論文  参考訳（メタデータ） (2025-10-26T05:12:45Z)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• Automatic Machine Learning for Multi-Receiver CNN Technology Classifiers [16.244541005112747]
  畳み込みニューラルネットワーク(CNN)は、信号分類のための最も研究されているディープラーニングモデルの1つである。 我々は、複数の同期受信機から収集した生のI/Qサンプルに基づく技術分類に焦点を当てた。
  論文  参考訳（メタデータ） (2022-04-28T23:41:38Z)
• 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)
• Exploiting Hybrid Models of Tensor-Train Networks for Spoken Command Recognition [9.262289183808035]
  本研究の目的は,低複雑性音声コマンド認識(SCR)システムの設計である。 我々は、テンソルトレイン(TT)ネットワークの深いハイブリッドアーキテクチャを利用して、エンドツーエンドのSRCパイプラインを構築する。 提案したCNN+(TT-DNN)モデルでは,CNNモデルより4倍少ないモデルパラメータで96.31%の競争精度が得られる。
  論文  参考訳（メタデータ） (2022-01-11T05:57:38Z)
• Towards self-organized control: Using neural cellular automata to robustly control a cart-pole agent [62.997667081978825]
  我々は、カートポールエージェントを制御するために、ニューラルセルオートマトンを使用する。 我々は、Q値の推定値として出力セルの状態を用いる深層学習を用いてモデルを訓練した。
  論文  参考訳（メタデータ） (2021-06-29T10:49:42Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Weakly-Supervised Cell Tracking via Backward-and-Forward Propagation [18.41585969393743]
  畳み込みニューラルネットワーク(CNN)を学習する弱い教師付き細胞追跡法を提案する。 実験により, 共検出CNNを解析することにより, 細胞を関連付けることができることを示した。
  論文  参考訳（メタデータ） (2020-07-30T06:41:22Z)
• Exploring Deep Hybrid Tensor-to-Vector Network Architectures for Regression Based Speech Enhancement [53.47564132861866]
  我々は、CNN-TTというハイブリッドアーキテクチャが、モデルパラメータを小さくして高品質な性能を維持することができることを見出した。 CNN-TTは、音声品質を改善するために、特徴抽出のために下部に複数の畳み込み層で構成されている。
  論文  参考訳（メタデータ） (2020-07-25T22:21:05Z)
• Cell Type Identification from Single-Cell Transcriptomic Data via Semi-supervised Learning [2.4271601178529063]
  シングルセルRNAシークエンシング(scRNAseq)データ解析の共通の目的は、シングルセル転写データからの細胞型同定である。 ラベルなしの scRNAseq 細胞とラベル付き scRNAseq 細胞を限定的に使用して細胞識別を行う半教師付き学習モデルを提案する。 提案手法は, ラベル付きcRNAseq細胞を極端に限定して学習することで, 高い性能を達成できることが観察された。
  論文  参考訳（メタデータ） (2020-05-06T19:15:43Z)

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。