論文の概要: GIF: A Conditional Multimodal Generative Framework for IR Drop Imaging in Chip Layouts

• arxiv url: http://arxiv.org/abs/2604.09999v1
• Date: Sat, 11 Apr 2026 03:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.788009
• Title: GIF: A Conditional Multimodal Generative Framework for IR Drop Imaging in Chip Layouts
• Title（参考訳）: GIF:チップレイアウトにおけるIRドロップイメージングのための条件付きマルチモーダル生成フレームワーク
• Authors: Kiran Thorat, Nicole Meng, Mostafa Karami, Caiwen Ding, Yingjie Lao, Zhijie Jerry Shi,
• Abstract要約: 物理チップ設計においては、チップ上の電力供給ネットワークの電力整合性を確保するためにIRドロップ分析が不可欠である。 GIFは、幾何情報と位相情報の両方を使ってIRドロップ画像を生成する生成IRドロップフレームワークである。 GIFは0.78のSSIM、0.95のピアソン相関、21.77のPSNR、0.026のNMAEを達成した。
• 参考スコア（独自算出の注目度）: 19.583373915918163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: IR drop analysis is essential in physical chip design to ensure the power integrity of on-chip power delivery networks. Traditional Electronic Design Automation (EDA) tools have become slow and expensive as transistor density scales. Recent works have introduced machine learning (ML)-based methods that formulate IR drop analysis as an image prediction problem. These existing ML approaches fail to capture both local and long-range dependencies and ignore crucial geometrical and topological information from physical layouts and logical connectivity. To address these limitations, we propose GIF, a Generative IR drop Framework that uses both geometrical and topological information to generate IR drop images. GIF fuses image and graph features to guide a conditional diffusion process, producing high-quality IR drop images. For instance, On the CircuitNet-N28 dataset, GIF achieves 0.78 SSIM, 0.95 Pearson correlation, 21.77 PSNR, and 0.026 NMAE, outperforming prior methods. These results demonstrate that our framework, using diffusion based multimodal conditioning, reliably generates high quality IR drop images. This shows that IR drop analysis can effectively leverage recent advances in generative modeling when geometric layout features and logical circuit topology are jointly modeled. By combining geometry aware spatial features with logical graph representations, GIF enables IR drop analysis to benefit from recent advances in generative modeling for structured image generation.
• Abstract（参考訳）: 物理チップ設計においては、チップ上の電力供給ネットワークの電力整合性を確保するためにIRドロップ分析が不可欠である。 従来の電子設計自動化(EDA)ツールは、トランジスタ密度のスケールによって遅くて高価なものになっている。 最近の研究は、画像予測問題としてIRドロップ分析を定式化する機械学習(ML)ベースの手法を導入している。 これらの既存のMLアプローチは、ローカルと長距離の両方の依存関係をキャプチャできず、物理的なレイアウトと論理接続から重要な幾何学的およびトポロジ的情報を無視する。 これらの制約に対処するために,幾何学的および位相的情報を用いてIRドロップ画像を生成する生成IRドロップフレームワークであるGIFを提案する。 GIFは画像とグラフの機能を融合して条件付き拡散過程を誘導し、高品質なIRドロップ画像を生成する。 例えば、CircuitNet-N28データセットでは、GIFは0.78 SSIM、0.95 ピアソン相関、21.77 PSNR、0.026 NMAEを達成し、先行手法より優れている。 これらの結果から,拡散型マルチモーダルコンディショニングを用いて高画質のIRドロップ画像を生成することが示唆された。 このことは、幾何学的レイアウト特徴と論理回路トポロジが共同でモデル化された場合、IRドロップ解析が生成モデリングの最近の進歩を効果的に活用できることを示している。 幾何学的空間特徴を論理グラフ表現と組み合わせることで、GIFはIRドロップ解析を可能にし、構造化画像生成のための生成モデリングの最近の進歩の恩恵を受けることができる。

関連論文リスト

• Deep Learning-Based Early-Stage IR-Drop Estimation via CNN Surrogate Modeling [0.0]
  従来のIR-drop分析は、高精度だが計算コストの大きい物理ベースのサインオフツールに依存している。 CNNを用いた早期IR-drop推定のための深層学習に基づくサロゲートモデリング手法を提案する。 提案するフレームワークは,高額なサインオフ分析に先立って,設計者が迅速なIR-dropインサイトを提供するための補完的なアーリーステージ解析ツールとして意図されている。
  論文  参考訳（メタデータ） (2026-01-30T08:29:45Z)
• Photonics-Enhanced Graph Convolutional Networks [16.804891518146775]
  光学的位置埋め込み(PE)は、グラフ畳み込みネットワーク(GCN)を強化するために使用される 本稿では,結合が入力グラフに一致する合成周波数格子上での光伝搬から導出されるPEを用いて,グラフ畳み込みネットワーク(GCN)を増大させるフォトニクス法を提案する。 以上の結果から,フォトニックPEはGCN性能を向上し,グラフMLの光加速度をサポートすることがわかった。
  論文  参考訳（メタデータ） (2025-12-17T15:55:45Z)
• IrisNet: Infrared Image Status Awareness Meta Decoder for Infrared Small Targets Detection [92.56025546608699]
  IrisNetは、入力赤外線画像ステータスに検出戦略を適用する、新しいメタ学習フレームワークである。 提案手法は,赤外線画像特徴量とデコーダパラメータ全体の動的マッピングを確立する。 NUDT-SIRST、NUAA-SIRST、IRSTD-1Kデータセットの実験は、我々のIrisNetの優位性を示している。
  論文  参考訳（メタデータ） (2025-11-25T13:53:54Z)
• LMM-IR: Large-Scale Netlist-Aware Multimodal Framework for Static IR-Drop Prediction [27.778291616839663]
  大規模ネットリスト変換器(LNT)によるSPICEファイルを効率的に処理する新しい手法を提案する。 私たちの重要なイノベーションは、ネットリストトポロジを3Dポイントクラウド表現として表現し、処理することで、最大数十万から数百万のノードでネットリストの効率的な処理を可能にします。 実験の結果,提案アルゴリズムはICCAD 2023コンテストの優勝チームの中で,最高のF1スコアと最も低いMAEを達成できることがわかった。
  論文  参考訳（メタデータ） (2025-11-16T12:53:36Z)
• How Learnable Grids Recover Fine Detail in Low Dimensions: A Neural Tangent Kernel Analysis of Multigrid Parametric Encodings [106.3726679697804]
  フーリエ特徴符号化(FFE)とマルチグリッドパラメトリック符号化(MPE)の2つの手法を比較した。 MPEは低次元マッピングの標準と見なされるが、MPEはそれらを上回り、高解像度で詳細な表現を学習することが多い。 我々は,MPEが学習可能な埋め込みではなく,グリッド構造を通じてネットワークの性能を向上させることを証明した。
  論文  参考訳（メタデータ） (2025-04-18T02:18:08Z)
• PDNNet: PDN-Aware GNN-CNN Heterogeneous Network for Dynamic IR Drop Prediction [5.511978576494924]
  電力供給ネットワーク(PDN)上のIRドロップは、PDNの構成とセル電流消費と密接に関連している。 PDN構造と微細な細胞-PDN関係の表現を統一する新しいグラフ構造PDNGraphを提案する。 我々は、深層学習に基づく動的IRドロップ予測法にグラフ構造を適用した最初の研究である。
  論文  参考訳（メタデータ） (2024-03-27T13:50:13Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• DiffIR: Efficient Diffusion Model for Image Restoration [108.82579440308267]
  拡散モデル(DM)は、画像合成過程をデノナイジングネットワークのシーケンシャルな応用にモデル化することで、SOTA性能を達成した。 画像全体や特徴マップを推定する大規模なモデルで大規模なイテレーションを実行する従来のDMは、画像復元には非効率である。 本稿では、小型IR先行抽出ネットワーク(CPEN)、ダイナミックIR変換器(DIRformer)、デノナイズネットワーク(Denoising Network)からなるDiffIRを提案する。
  論文  参考訳（メタデータ） (2023-03-16T16:47:14Z)

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。