論文の概要: KCLNet: Electrically Equivalence-Oriented Graph Representation Learning for Analog Circuits

• arxiv url: http://arxiv.org/abs/2603.24101v1
• Date: Wed, 25 Mar 2026 09:06:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.219
• Title: KCLNet: Electrically Equivalence-Oriented Graph Representation Learning for Analog Circuits
• Title（参考訳）: KCLNet:アナログ回路における等価なグラフ表現学習
• Authors: Peng Xu, Yapeng Li, Tinghuan Chen, Tsung-Yi Ho, Bei Yu,
• Abstract要約: 本稿では、直流(DC)電気的に等価なアナログ表現学習フレームワーク、textbfKCLNetを提案する。 これは、電気的にシミュレートされたメッセージパッシングを備えた非同期グラフニューラルネットワーク構造と、KirchhoffのCurrent Law(KCL)にインスパイアされた表現学習方法からなる。
• 参考スコア（独自算出の注目度）: 33.151200670956676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital circuits representation learning has made remarkable progress in the electronic design automation domain, effectively supporting critical tasks such as testability analysis and logic reasoning. However, representation learning for analog circuits remains challenging due to their continuous electrical characteristics compared to the discrete states of digital circuits. This paper presents a direct current (DC) electrically equivalent-oriented analog representation learning framework, named \textbf{KCLNet}. It comprises an asynchronous graph neural network structure with electrically-simulated message passing and a representation learning method inspired by Kirchhoff's Current Law (KCL). This method maintains the orderliness of the circuit embedding space by enforcing the equality of the sum of outgoing and incoming current embeddings at each depth, which significantly enhances the generalization ability of circuit embeddings. KCLNet offers a novel and effective solution for analog circuit representation learning with electrical constraints preserved. Experimental results demonstrate that our method achieves significant performance in a variety of downstream tasks, e.g., analog circuit classification, subcircuit detection, and circuit edit distance prediction.
• Abstract（参考訳）: デジタル回路表現学習は電子設計自動化領域において顕著な進歩を遂げており、テスト可能性分析や論理推論といった重要なタスクを効果的に支援している。 しかし、アナログ回路の表現学習は、デジタル回路の離散状態と比較して連続的な電気的特性のため、依然として困難である。 本稿では、直流(DC)電気的に等価なアナログ表現学習フレームワークである「textbf{KCLNet}」を提案する。 これは、電気的にシミュレートされたメッセージパッシングを備えた非同期グラフニューラルネットワーク構造と、KirchhoffのCurrent Law(KCL)にインスパイアされた表現学習方法からなる。 回路埋め込みの一般化能力を大幅に向上させるため、回路埋め込み空間の秩序性を維持するために、各深さにおける出電流埋め込みと入電流埋め込みの和の等しさを強制する。 KCLNetは、電気的制約を保ったアナログ回路表現学習のための、新しく効果的なソリューションを提供する。 実験結果から,本手法は,アナログ回路分類,サブ回路検出,回路編集距離予測など,様々な下流タスクにおいて有意な性能を発揮することが示された。

関連論文リスト

• Certified Circuits: Stability Guarantees for Mechanistic Circuits [80.30622018787835]
  Certified Circuitsは、回路発見のための証明可能な安定性を保証する。 ImageNetとOODデータセットでは、認定回路は91%高い精度を達成する。
  論文  参考訳（メタデータ） (2026-02-26T13:07:31Z)
• Stiff Circuit System Modeling via Transformer [0.7816640928428988]
  そこで我々は,現在最先端のトランスフォーマーモデルであるCrossformerを用いて時系列予測タスクを提案する。 クロスフォーマーの時間的表現能力と機能抽出の強化を利用して,幅広い入力条件に対する回路応答の予測精度の向上を実現する。
  論文  参考訳（メタデータ） (2025-10-06T01:13:45Z)
• LaMAGIC: Language-Model-based Topology Generation for Analog Integrated Circuits [17.002169206594793]
  先駆的な言語モデルに基づくトポロジ生成モデルであるLaMAGICを紹介する。 LaMAGICは、カスタム仕様から最適化された回路設計を単一のパスで効率的に生成できる。 LaMAGICは0.01の厳格な許容条件で最大96%の成功率を達成した。
  論文  参考訳（メタデータ） (2024-07-19T22:51:41Z)
• CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
  本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。 オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。 我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
  論文  参考訳（メタデータ） (2023-08-31T02:20:25Z)
• Computer-aided quantization and numerical analysis of superconducting circuits [0.0]
  本稿では,記号型計算機代数と数値対角化ルーチンを多用し,様々な回路に対処する。 この作業の結果は、新しくリリースされた scqubitsパッケージのモジュールを通じてアクセスすることができる。
  論文  参考訳（メタデータ） (2022-06-16T17:25:02Z)
• 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)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。