論文の概要: FusionCell: Cross-Attentive Fusion of Layout Geometry and Netlist Topology for Standard-Cell Performance Prediction

• arxiv url: http://arxiv.org/abs/2605.20287v1
• Date: Tue, 19 May 2026 06:46:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.270749
• Title: FusionCell: Cross-Attentive Fusion of Layout Geometry and Netlist Topology for Standard-Cell Performance Prediction
• Title（参考訳）: FusionCell:標準セル性能予測のためのレイアウト幾何学とネットリストトポロジーの相互比較融合
• Authors: Haoyi Zhang, Kairong Guo, Bojie Zhang, Yibo Lin, Runsheng Wang,
• Abstract要約: FusionCellは、ルーティングされたレイアウト幾何学とネットリストトポロジを入力として扱い、それらを統一されたモデルで明示的にフューズするデュアルモード予測器である。 我々はASAP7 PDKをベースとした7nmのデータセットを構築し、19.5k以上の細胞が149のタイプに分散している。 実験の結果,FusionCellは平均MAPE0.92パーセントの回帰誤差を低減し,ベースラインよりもSpearman/Kendallランキングを改善した。
• 参考スコア（独自算出の注目度）: 10.566387281392915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard cells form the building blocks of digital circuits, so their delay and power critically influence chip-level performance; yet characterization still relies on slow simulation sweeps, and many fast predictors ignore layout geometry, missing coupling and layout-dependent effects. The challenge is to jointly represent layout geometry and netlist topology so models capture fine-grained spatial details together with structural connectivity for accurate performance prediction. We introduce FusionCell, a dual-modality predictor that treats routed layout geometry and netlist topology as inputs and fuses them explicitly in a unified model. A DeiT encoder processes three-layer routed layouts, while a graph transformer models heterogeneous device/net graphs. The modalities are integrated through a topology-guided mechanism, where the netlist acts as a structural "map" to actively query relevant physical regions in the layout for joint geometric and topological reasoning. We build a 7nm dataset based on the ASAP7 PDK with over 19.5k cells spanning 149 types using automatic tools, targeting six metrics: signal rise/fall delay, transition, and power. Experimental results demonstrate that FusionCell reduces regression error, with an average MAPE of 0.92 percent, and improves Spearman/Kendall ranking over baselines, while accelerating the characterization process by orders of magnitude compared to circuit simulation.
• Abstract（参考訳）: 標準セルはデジタル回路の構成要素を形成するため、遅延と電力はチップレベルの性能に重大な影響を与えるが、性能評価は依然として遅いシミュレーションスイープに依存しており、多くの高速予測器はレイアウトの幾何学を無視し、結合性やレイアウト依存の影響を無視している。 課題は、レイアウト幾何学とネットリストトポロジーを共同で表現することで、モデルがきめ細かな空間的詳細と、正確な性能予測のための構造接続を捉えることである。 We introduced FusionCell, a dual-modality predictor that handles routed layout geometry and netlist topology as inputs and fuses them in an unified model。 DeiTエンコーダは3層のルーティングレイアウトを処理し、グラフトランスフォーマーは異種デバイス/ネットグラフをモデル化する。 モダリティはトポロジ誘導機構によって統合され、ネットリストは構造的「マップ」として機能し、接続幾何学的および位相的推論のためのレイアウト内の関連する物理領域を積極的にクエリする。 我々は,ASAP7 PDKをベースとした7nmのデータセットを構築し,19.5kセルが149種類の自動ツールを使用して,信号の立ち上がり/落下遅延,遷移,電力の6つの指標をターゲットとした。 実験の結果,FusionCellは平均MAPEが0.92パーセントの回帰誤差を低減し,ベースラインよりもスピアマン/ケンドールのランクが向上し,回路シミュレーションに比べてキャラクタリゼーションプロセスが桁違いに高速化された。

関連論文リスト

• Physics-Guided Geometric Diffusion for Macro Placement Generation [5.038274171096632]
  マクロ配置はVLSI物理設計において重要な段階であり、チップ全体の性能を根本的に決定する。 最近のデータ駆動配置手法は大きな可能性を示しているが、シーケンシャルな依存関係を扱うのに苦労することが多い。 物理誘導幾何拡散フレームワークであるマクロディフ+を提案する。 ISPD2005 MMSベンチマークでは、マクロディフ+は6.1-6.2%のワイヤ長で最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-05-15T04:01:32Z)
• GeoReFormer: Geometry-Aware Refinement for Lane Segment Detection and Topology Reasoning [0.7769712273444055]
  GeoReFormerは、幾何学とトポロジを意識した帰納バイアスをトランスフォーマーデコーダに直接埋め込むクエリベースのアーキテクチャである。 GeoReFormerは、OpenLane-V2ベンチマークで34.5%のmAPで最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2026-03-27T02:26:12Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Multivariate Time Series Forecasting with Hybrid Euclidean-SPD Manifold Graph Neural Networks [31.893767537160258]
  本稿では,ハイブリダイアン・リーマンのフレームワーク内でデータジオメトリをキャプチャするグラフニューラルネットワークモデルを提案する。 HSMGNNは、最先端のベースラインよりも13.8%向上している。
  論文  参考訳（メタデータ） (2025-12-16T02:42:03Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• HybridNet: Dual-Branch Fusion of Geometrical and Topological Views for VLSI Congestion Prediction [5.6934255257494]
  本稿では,回路のトポロジ的特徴と幾何学的特徴を包含する新しい手法を提案する。 本稿では,各経路に異なるエンコーダ層を配置し,複雑な融合戦略で表現を集約するデュアルブランチネットワークを提案する。 われわれのネットワークであるHybridNetは、セルの幾何学的相互作用を捉えるための単純かつ効果的な方法を提供するだけでなく、ネットリストにおける元のトポロジ的関係も保存する。
  論文  参考訳（メタデータ） (2023-05-07T15:02:02Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)

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。