論文の概要: ReVEAL: GNN-Guided Reverse Engineering for Formal Verification of Optimized Multipliers

• arxiv url: http://arxiv.org/abs/2512.22260v1
• Date: Wed, 24 Dec 2025 13:01:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.943628
• Title: ReVEAL: GNN-Guided Reverse Engineering for Formal Verification of Optimized Multipliers
• Title（参考訳）: ReVEAL:最適化乗算器の形式検証のためのGNN誘導リバースエンジニアリング
• Authors: Chen Chen, Daniela Kaufmann, Chenhui Deng, Zhan Song, Hongce Zhang, Cunxi Yu,
• Abstract要約: ReVEALはグラフ学習に基づく乗算器アーキテクチャのリバースエンジニアリング手法である。 従来のルールベースのアプローチと比較して,スケーラビリティと精度の向上を示す。
• 参考スコア（独自算出の注目度）: 8.836088217666235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present ReVEAL, a graph-learning-based method for reverse engineering of multiplier architectures to improve algebraic circuit verification techniques. Our framework leverages structural graph features and learning-driven inference to identify architecture patterns at scale, enabling robust handling of large optimized multipliers. We demonstrate applicability across diverse multiplier benchmarks and show improvements in scalability and accuracy compared to traditional rule-based approaches. The method integrates smoothly with existing verification flows and supports downstream algebraic proof strategies.
• Abstract（参考訳）: 本稿では,代数回路検証技術を改善するために,グラフ学習に基づく乗算器アーキテクチャのリバースエンジニアリング手法であるReVEALを提案する。 我々のフレームワークは、構造グラフの特徴と学習駆動推論を利用して、大規模にアーキテクチャパターンを識別し、大規模に最適化された乗算器のロバストなハンドリングを可能にする。 多様な乗算器ベンチマークに適用可能性を示し、従来のルールベースのアプローチと比較してスケーラビリティと精度の向上を示す。 この方法は既存の検証フローとスムーズに統合され、下流の代数的証明戦略をサポートする。

関連論文リスト

• Flows and Diffusions on the Neural Manifold [0.0]
  拡散およびフローベース生成モデルは、画像合成、ビデオ生成、自然言語モデリングといった領域で顕著に成功している。 本研究では、最近の手法を活用して、これらの進歩を重み空間学習に拡張し、最適化力学から導かれる構造的事前を組み込む。 我々は,勾配流の整合性を考慮した軌道推論手法を統一し,最適化経路を帰納バイアスとして扱うための理論的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-07-14T02:26:06Z)
• $ψ$DAG: Projected Stochastic Approximation Iteration for DAG Structure Learning [6.612096312467342]
  Directed A Graphs (DAGs) の構造を学ぶことは、ノード数に応じてスケールする可能なグラフの巨大な検索空間のため、大きな課題となる。 近年の進歩は、微分可能指数関数性制約を取り入れた連続最適化タスクとしてこの問題を再定義している。 本稿では,SGD(Gradient Descent)に基づく最適化手法と統合した近似手法を用いて,DAGを学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-31T12:13:11Z)
• GloptiNets: Scalable Non-Convex Optimization with Certificates [61.50835040805378]
  本稿では,ハイパーキューブやトーラス上のスムーズな関数を扱う証明書を用いた非キューブ最適化手法を提案する。 スペクトルの減衰に固有の対象関数の正則性を活用することにより、正確な証明を取得し、高度で強力なニューラルネットワークを活用することができる。
  論文  参考訳（メタデータ） (2023-06-26T09:42:59Z)
• 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)
• DAGs with No Curl: An Efficient DAG Structure Learning Approach [62.885572432958504]
  近年のDAG構造学習は連続的な非巡回性制約を伴う制約付き連続最適化問題として定式化されている。 本稿では,DAG空間の重み付き隣接行列を直接モデル化し,学習するための新しい学習フレームワークを提案する。 本手法は, 線形および一般化された構造方程式モデルにおいて, ベースラインDAG構造学習法よりも精度が高いが, 効率がよいことを示す。
  論文  参考訳（メタデータ） (2021-06-14T07:11:36Z)
• Thresholded Adaptive Validation: Tuning the Graphical Lasso for Graph Recovery [15.732950126814089]
  本稿では,正規化最適化問題に対する一般的なキャリブレーション手法を提案し,それをグラフィカルラッソに適用する。 シミュレーションでは、他の手法のグラフ回復において、我々の手法が大幅に改善できることが示される。
  論文  参考訳（メタデータ） (2020-05-01T15:59:47Z)

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。