論文の概要: Causal AI For AMS Circuit Design: Interpretable Parameter Effects Analysis

• arxiv url: http://arxiv.org/abs/2603.24618v1
• Date: Tue, 24 Mar 2026 20:10:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:47.894259
• Title: Causal AI For AMS Circuit Design: Interpretable Parameter Effects Analysis
• Title（参考訳）: AMS回路設計のための因果AI:解釈可能なパラメータ効果解析
• Authors: Mohyeu Hussain, David Koblah, Reiner Dizon-Paradis, Domenic Forte,
• Abstract要約: 本研究では,SPICEシミュレーションデータから有向非巡回グラフ(DAG)を最初に検出する因果推論フレームワークを提案する。 このアプローチは、設計ノブの人間解釈可能なランク付けと明示的な「What-if」予測をもたらす。 すべての回路にわたって、因果モデルは平均的な絶対誤差が25%未満のシミュレーションベースのATEを再現するが、ニューラルネットワークは80%以上ずれ、しばしば間違った符号を予測する。
• 参考スコア（独自算出の注目度）: 1.9739269019020032
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analog-mixed-signal (AMS) circuits are highly non-linear and operate on continuous real-world signals, making them far more difficult to model with data-driven AI than digital blocks. To close the gap between structured design data (device dimensions, bias voltages, etc.) and real-world performance, we propose a causal-inference framework that first discovers a directed-acyclic graph (DAG) from SPICE simulation data and then quantifies parameter impact through Average Treatment Effect (ATE) estimation. The approach yields human-interpretable rankings of design knobs and explicit 'what-if' predictions, enabling designers to understand trade-offs in sizing and topology. We evaluate the pipeline on three operational-amplifier families (OTA, telescopic, and folded-cascode) implemented in TSMC 65nm and benchmark it against a baseline neural-network (NN) regressor. Across all circuits the causal model reproduces simulation-based ATEs with an average absolute error of less than 25%, whereas the neural network deviates by more than 80% and frequently predicts the wrong sign. These results demonstrate that causal AI provides both higher accuracy and explainability, paving the way for more efficient, trustworthy AMS design automation.
• Abstract（参考訳）: Analog-mixed-signal (AMS) 回路は非線形であり、連続した現実世界の信号で動作しているため、デジタルブロックよりもデータ駆動型AIでモデル化することがはるかに困難である。 構造化設計データ(デバイス寸法,バイアス電圧など)と実世界の性能のギャップを埋めるため,SPICEシミュレーションデータから有向非環状グラフ(DAG)を最初に発見し,平均処理効果(ATE)推定によりパラメータの影響を定量化する因果推論フレームワークを提案する。 このアプローチは、設計ノブの人間解釈可能なランク付けと明確な'What-if'予測をもたらし、デザイナはサイズとトポロジのトレードオフを理解することができる。 TSMC65nmで実装された3種類のオペレーショナルアンプ群(OTA, テレスコープ, 折り畳みカスコード)のパイプラインを評価し, ベースラインニューラルネットワーク(NN)回帰器と比較した。 すべての回路にわたって、因果モデルは平均的な絶対誤差が25%未満のシミュレーションベースのATEを再現するが、ニューラルネットワークは80%以上ずれ、しばしば間違った符号を予測する。 これらの結果は、因果AIがより高い精度と説明可能性を提供し、より効率的で信頼性の高いAMS設計自動化への道を開くことを示している。

関連論文リスト

• Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
  本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。 このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。 GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
  論文  参考訳（メタデータ） (2026-02-13T04:38:51Z)
• HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation [11.108171977551619]
  HiFiNetは、無線ネットワークのための階層的な障害識別フレームワークである。 局所時間パターンとネットワーク全体の空間依存性の両方をキャプチャすることで、より正確な予測を行う。 既存の手法の精度、F1スコア、精度を著しく上回っている。
  論文  参考訳（メタデータ） (2025-11-06T16:15:19Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Fast and Accurate RFIC Performance Prediction via Pin Level Graph Neural Networks and Probabilistic Flow [0.5599792629509228]
  本研究は,アクティブRF回路の重要な性能指標を予測するために,軽量かつデータ効率,トポロジ対応グラフニューラルネットワーク(GNN)モデルを提案する。 回路はデバイス-端末レベルでモデル化され、データ要求を減らしながらスケーラブルなメッセージパッシングを可能にする。 データセットの実験では、対称平均絶対パーセンテージ誤差(sMAPE)と平均相対誤差(MRE)はそれぞれ平均2.40%と2.91%と高い予測精度を示している。
  論文  参考訳（メタデータ） (2025-08-22T14:06:21Z)
• Systematic Evaluation of Deep Learning Models for Log-based Failure Prediction [3.3810628880631226]
  本稿では,障害予測のためのログデータ埋め込み戦略とディープラーニング(DL)タイプの組み合わせを系統的に検討する。 そこで我々は,組込み戦略とDLベースのエンコーダの様々な構成に対応するモジュールアーキテクチャを提案する。 また,F1スコア測定値を用いて,Logkey2vecを用いたCNNベースのエンコーダが最適であることを示す。
  論文  参考訳（メタデータ） (2023-03-13T16:04:14Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。