論文の概要: AMSnet-q: Unsupervised Circuit Identification and Performance Labeling for AMS Circuits

• arxiv url: http://arxiv.org/abs/2605.01404v1
• Date: Sat, 02 May 2026 12:02:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.755569
• Title: AMSnet-q: Unsupervised Circuit Identification and Performance Labeling for AMS Circuits
• Title（参考訳）: AMSnet-q:AMS回路の教師なし回路同定と性能評価
• Authors: Ze Zhang, Junzhuo Zhou, Yichen Shi, Zhuofu Tao, Rui Ji, Zhiping Yu, Quan Chen, Ting-Jung Lin, Lei He,
• Abstract要約: AMSnet-qは完全自動化された非教師なしパイプラインであり、ループ中の人間のアノテーションを除去する。 ネットリスト抽出で停止する以前の作業とは異なり、我々のフレームワークは完全な検証ループを自動化する。 AMSnet 1.0データセットから739のスキーマを処理し、4つの回路クラス、105の異なるトポロジ、89,789のラベル付きデバイス構成のリポジトリを自動的に構築した。
• 参考スコア（独自算出の注目度）: 7.116571750571925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analog and mixed-signal (AMS) circuit design remains heavily reliant on expert knowledge. While recent AI-driven automation tools can generate candidate topologies, they critically depend on manually curated datasets with functional and performance annotations -- a requirement that current large language models (LLMs) and vision models cannot automate. Existing approaches still require domain experts to manually interpret circuit functionality. We present AMSnet-q, a fully automated, unsupervised pipeline that eliminates human-in-the-loop annotation by converting schematic images directly into a labeled AMS circuit database. Unlike prior work that stops at netlist extraction, our framework automates the complete verification loop: it performs schematic-to-netlist conversion, topology-aware testbench generation, and simulation-based sizing validation to objectively determine circuit functionality. Validated in 28 nm technology, AMSnet-q processed 739 schematics from the AMSnet 1.0 dataset, automatically constructing a repository of 4 circuit classes, 105 distinct topologies, and 89,789 labeled device configurations. By decoupling human effort from dataset volume and reducing the workload to a one-time testbench template per circuit class, AMSnet-q enables scalable, objective, and fully automated AMS database construction.
• Abstract（参考訳）: アナログと混合信号(AMS)回路の設計は専門家の知識に大きく依存している。 最近のAI駆動の自動化ツールは候補トポロジを生成することができるが、それらは機能的およびパフォーマンス的アノテーションを備えた手動でキュレートされたデータセットに依存している。 既存のアプローチでは、ドメインの専門家が手動で回路機能を解釈する必要がある。 本稿では,AMSnet-qを提案する。AMSnet-qは完全自動化された教師なしパイプラインで,図形画像をラベル付きAMS回路データベースに直接変換することで,ループ内のアノテーションを除去する。 ネットリスト抽出で停止する以前の作業とは異なり、我々のフレームワークは完全な検証ループを自動化し、スキーマからネットリストへの変換、トポロジ対応のテストベンチ生成、シミュレーションベースのサイズ検証を実行し、回路機能を客観的に決定する。 28nm技術で検証されたAMSnet-qは、AMSnet 1.0データセットから739のスキーマを処理し、4つの回路クラス、105の異なるトポロジ、89,789のラベル付きデバイス構成のリポジトリを自動構築した。 AMSnet-qは、データセットのボリュームから人間の労力を分離し、負荷を回路クラス毎の1回テストベンチテンプレートに削減することで、スケーラブルで客観的で完全に自動化されたAMSデータベース構築を可能にします。

関連論文リスト

• AutoSAM: an Agentic Framework for Automating Input File Generation for the SAM Code with Multi-Modal Retrieval-Augmented Generation [5.938383019072487]
  AutoSAMは、システム図、設計レポート、データテーブルなど、構造化されていないエンジニアリング文書を取り込みます。 シミュレーション関連パラメータを人間の聴取可能な中間表現に抽出する。 このフレームワークは、構造化された入力の100%利用、PDFテキストから約88%の抽出、および視覚に基づく幾何学的抽出における100%完全性を達成する。
  論文  参考訳（メタデータ） (2026-03-25T18:59:13Z)
• REGAL: A Registry-Driven Architecture for Deterministic Grounding of Agentic AI in Enterprise Telemetry [0.0]
  大規模言語モデル(LLM)は、エージェント自動化の新しい形態を可能にする。 本稿では,企業テレメトリにおけるエージェントAIシステムの決定論的基盤化のためのレジストリ駆動型アーキテクチャREGALを提案する。
  論文  参考訳（メタデータ） (2026-03-03T14:13:39Z)
• Large Language Models as Realistic Microservice Trace Generators [48.730974361862366]
  本稿では,大規模言語モデル (LLM) を用いて, 合成作業負荷トレースを生成する手法を提案する。 我々はTraceLLMが様々な条件下で多様なリアルなトレースを生成し、精度と妥当性の両方において既存のアプローチよりも優れていることを示す。 TraceLLMは、キートレース機能を予測したり、欠落したデータを埋め込むといった、下流のトレース関連タスクに適応する。
  論文  参考訳（メタデータ） (2024-12-16T12:48:04Z)
• AMSnet-KG: A Netlist Dataset for LLM-based AMS Circuit Auto-Design Using Knowledge Graph RAG [15.61553255884534]
  大型言語モデル(LLM)は電子設計自動化(EDA)アプリケーションのための強力なツールとして登場した。 本稿では,様々なAMS回路スキーマとネットリストを含むデータセットであるAMSnet-KGを紹介する。 LLMに埋め込まれた包括的知識を利用する自動AMS回路生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-07T02:49:53Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• AMSNet: Netlist Dataset for AMS Circuits [8.601352527168821]
  我々は、スキーマをネットリストに変換する自動手法を開発し、データセットAMSNetを作成する。 サイズが大きくなるにつれて、AMSNetはAMS回路設計におけるMLLMアプリケーションの探索を著しく容易にする。
  論文  参考訳（メタデータ） (2024-05-15T02:46:04Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Induction and Exploitation of Subgoal Automata for Reinforcement Learning [75.55324974788475]
  本稿では,Regressed Learning (RL)タスクにおけるサブゴールの学習と活用のためのISAを提案する。 ISAは、タスクのサブゴールによってエッジがラベル付けされたオートマトンであるサブゴールオートマトンを誘導することで強化学習をインターリーブする。 サブゴールオートマトンはまた、タスクの完了を示す状態と、タスクが成功せずに完了したことを示す状態の2つの特別な状態で構成されている。
  論文  参考訳（メタデータ） (2020-09-08T16:42:55Z)

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。