論文の概要: ParasGB: A Graph Benchmark Suite for Parasitic Estimation on AMS Circuits
- arxiv url: http://arxiv.org/abs/2607.23225v1
- Date: Sat, 25 Jul 2026 14:23:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.033099
- Title: ParasGB: A Graph Benchmark Suite for Parasitic Estimation on AMS Circuits
- Title（参考訳）: ParasGB: AMS回路の寄生推定のためのグラフベンチマークスイート
- Abstract要約: ParasGBは、回路グラフ上のパラサイトパラメータ予測のための最初のオープンソースベンチマークスイートである。
標準化されたトレーニングパイプラインを使用して、多様なGNNアーキテクチャをベンチマークする。
すべてのデータセット、前処理スクリプト、設定は、私たちのコードリポジトリで公開されています。
- 参考スコア（独自算出の注目度）: 16.231570025875474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As chip manufacturing processes advance to deep submicron nodes, parasitic interconnect effects increasingly dominate the performance of analog and mixed-signal (AMS) circuits and often lead to costly layout iterations. This makes early-stage estimation of parasitic capacitance and resistance important for parasitic-aware design exploration before full physical implementation. However, progress on GNN-based parasitic modeling has been hindered by the lack of public, high-fidelity RC benchmarks that support reproducible evaluation. To address this gap, we introduce ParasGB, the first open-source benchmark suite for pre-layout parasitic parameter prediction on circuit graphs. ParasGB provides large-scale, heterogeneous RC networks extracted with commercial EDA tools from tape-out-proven designs, together with a unified evaluation protocol covering node-level ground capacitance, edge-level resistance, and edge-level coupling capacitance. Within this framework, we benchmark diverse GNN architectures using a standardized training pipeline and expose challenges such as extreme label imbalance, long-tailed parasitic distributions, and strong structural heterogeneity. By establishing a physically grounded and standardized benchmark for early-stage parasitic prediction, ParasGB provides an open platform for reproducible research on circuit graph learning and parasitic-aware model development. All datasets, preprocessing scripts, and configurations are publicly available in our code repository https://github.com/ShenShan123/ParasGB.git.
- Abstract（参考訳）: チップ製造プロセスが深部サブミクロンノードに進むにつれ、寄生的相互接続効果はアナログおよび混合信号(AMS)回路の性能をますます支配し、しばしばコストのかかるレイアウトの繰り返しにつながる。
これにより, パラサイト・アウェア・デザイン探索において, パラサイト・キャパシタンスと抵抗の早期評価が重要となる。
しかし、GNNベースの寄生的モデリングの進歩は、再現可能な評価をサポートする公開かつ高忠実なRCベンチマークの欠如によって妨げられている。
このギャップに対処するため,回路グラフ上での寄生パラメータ予測のためのオープンソースのベンチマークスイートであるParasGBを紹介した。
ParasGBは、テープ出力設計から商用EDAツールで抽出された大規模で異質なRCネットワークと、ノードレベルの接地容量、エッジレベルの抵抗、エッジレベルの結合容量をカバーする統一的な評価プロトコルを提供する。
このフレームワーク内では、標準化されたトレーニングパイプラインを使用して多様なGNNアーキテクチャをベンチマークし、極端なラベルの不均衡、長い尾の寄生分布、強い構造的不均一性などの課題を明らかにする。
初期寄生期予測のための物理的基盤と標準化されたベンチマークを確立することで、ParasGBは、回路グラフ学習と寄生型モデル開発に関する再現可能な研究のためのオープンなプラットフォームを提供する。
すべてのデータセット、前処理スクリプト、設定は、コードリポジトリhttps://github.com/ShenShan123/ParasGB.gitで公開されています。
関連論文リスト
- Accelerating Reproducible Research in Synthetic EHR Generation [15.020554967749996]
再現可能な合成EHR評価のための軽量なエンドツーエンドベンチマークフレームワークを提案する。
現在の実装は、ICD診断コードの生成を目標としています。
厳密でアーキテクチャに依存しないプライバシ・ユーティリティ評価スイートをコントリビュートします。
論文 参考訳（メタデータ） (2026-06-05T07:28:26Z) - Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach [60.199985286210904]
Generalist Graph Anomaly Detection (GAD)は、グラフ固有のリトレーニングなしで、見えないグラフ上の異常を検出することを目的としている。
既存のアプローチは主に、異なる機能セマンティクスを無視したドメイン間の異種データの整合性に焦点を当てている。
We propose Fingerprint-based generalist GAD approach (ReFi-GAD)。
ReFi-GADは14のデータセットの実験において,最先端の手法よりも有意に優れていることを示す。
論文 参考訳（メタデータ） (2026-05-25T05:12:26Z) - GO-GenZip: Goal-Oriented Generative Sampling and Hybrid Compression [50.76941829813458]
現在のネットワークデータテレメトリパイプラインは、複数の分散ソースから中央アグリゲータへの、きめ細かいキーパフォーマンス指標(KPI)の巨大なストリームで構成されている。
本研究は、目標指向の観点からネットワークテレメトリを再設計する、ジェネレーティブAI(GenAI)駆動サンプリングとハイブリッド圧縮フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-20T16:33:15Z) - Unlocking High-Fidelity Analog Joint Source-Channel Coding on Standard Digital Transceivers [54.82164616081277]
D2AJSCCは、標準デジタルPHY上に高忠実度アナログJ SCCをデプロイできる新しいフレームワークである。
本システムは,SNR条件にまたがる優雅な劣化を伴って,ほぼ理想のアナログJ SCC性能を実現する。
ハードウェア変更なしにレガシーインフラストラクチャ上で次世代のセマンティックトランスミッションを可能にすることで,ネットワークの持続的進化を促進する。
論文 参考訳（メタデータ） (2026-03-10T01:42:23Z) - Bridging Academia and Industry: A Comprehensive Benchmark for Attributed Graph Clustering [19.247242477915382]
分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を統合して、グラフ構造化データの潜在パターンを明らかにする、基本的な教師なしタスクである。
不正検出やユーザセグメンテーションといった産業的応用において重要であるが、学術研究と現実世界の展開の間には大きな亀裂が残っている。
PyAGCは多種多様なスケールと構造特性にまたがってAGC手法をストレステストするために設計された,実運用可能なベンチマークおよびライブラリである。
論文 参考訳（メタデータ） (2026-02-09T11:07:24Z) - Single-Edge Node Injection Threats to GNN-Based Security Monitoring in Industrial Graph Systems [2.405577583760006]
グラフニューラルネットワーク(GNN)は、産業用グラフベースの監視システムにますます採用されている。
少数のエッジデバイスを侵害する敵は、下流の判断をバイアスするために偽造ノードを注入する可能性がある。
本稿では,制約リソース下での配置指向ノード注入攻撃を定式化し,EmphSingle-Edge Graph Injection Attack (SEGIA)を提案する。
論文 参考訳（メタデータ） (2026-02-01T09:19:54Z) - ParaGate: Parasitic-Driven Domain Adaptation Transfer Learning for Netlist Performance Prediction [9.750084122633703]
従来のEDAフローでは、レイアウトレベルのパフォーマンスメトリクスは配置とルーティング後にのみ取得できる。
レイアウトレベルのタイミングとパワーをネットリストから推測する3段階のクロスステージ予測フレームワークであるParaGateを提案する。
実験により、ParaGateは最小限の微調整データで強力な一般化を実現することが示された。
論文 参考訳（メタデータ） (2025-11-28T16:49:25Z) - Benchmarking Single-Qubit Gates on a Neutral Atom Quantum Processor [0.0]
中性原子量子プロセッサ上に実装された単一量子ビットゲートのベンチマーク結果を示す。
単一量子ゲートの場合、DRBの平均忠実度は99.963 pm 0.016%$である。
我々はGSTのゲージ最適化手法を導入し、再構成されたゲート、入力状態、測定値を標準フレームに導入する。
論文 参考訳（メタデータ） (2025-09-08T16:58:44Z) - ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。
本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。
特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文 参考訳（メタデータ） (2025-07-19T04:46:53Z) - Context-aware gate set tomography: Improving the self-consistent characterization of trapped-ion universal gate sets by leveraging non-Markovianity [45.88028371034407]
ゲートセットトモグラフィ(GST)は、ノイズの多い量子ゲート、状態準備、測定の完全なセットを推定する。
当初、GSTはゲートを順次適用することで推定精度を向上させる。
ゲートセットのパラメトリゼーションにコンテキスト依存を組み込むことで, GSTのサンプリングコストを低減できることを示す。
論文 参考訳（メタデータ） (2025-07-03T11:37:36Z) - RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。
本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。
復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
論文 参考訳（メタデータ） (2025-06-28T08:02:54Z) - Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。
本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。
ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
論文 参考訳（メタデータ） (2024-12-20T04:05:09Z)
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。