論文の概要: Beyond Flat Netlist: Hierarchical Graph Representation Learning for Scalable Analysis of Sequential Circuits

• arxiv url: http://arxiv.org/abs/2608.28188v1
• Date: Fri, 28 Aug 2026 10:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.295466
• Title: Beyond Flat Netlist: Hierarchical Graph Representation Learning for Scalable Analysis of Sequential Circuits
• Title（参考訳）: フラットネットリストを超えて:シークエンシャル回路のスケーラブル解析のための階層グラフ表現学習
• Abstract要約: 回路を2レベルに抽象化する新しい階層型フレームワークであるDeepSeq3を紹介する。 デュアルグラフニューラルネットワーク(GNN)アーキテクチャは、両方のレベルで表現を学ぶ。 状態中心の事前学習スキームはFF状態間の到達性を予測し、時間的挙動の深い理解をモデルに与える。
• 参考スコア（独自算出の注目度）: 15.582237623722392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Circuit Representation Learning (CRL) offers a powerful paradigm to guide and optimize core Electronic Design Automation (EDA) tasks, but its practical adoption is hindered by the immense scale of industrial netlists and a failure to explicitly model register-level temporal dynamics. To overcome these barriers, we introduce DeepSeq3, a novel hierarchical framework that abstracts circuits into a two-level representation: fine-grained combinational subgraphs partitioned by flip-flops (FFs), and a high-level Super-Node Graph (SNG) that models the register-transfer structure. A dual Graph Neural Network (GNN) architecture learns representations at both levels, capturing local Boolean logic and global state transitions. Crucially, we introduce a state-centric pre-training scheme that predicts the reachability between FF states, endowing the model with a deep understanding of temporal behavior. Demonstrated on large-scale benchmarks, DeepSeq3's approach yields superior scalability and richer representations, reducing bounded model checking (BMC) solving time by 18% while guaranteeing correctness.
• Abstract（参考訳）: 回路表現学習(CRL)は、中核となる電子設計自動化(EDA)タスクをガイドし、最適化するための強力なパラダイムを提供するが、その実践的採用は、産業用ネットリストの膨大な規模と、レジスタレベルの時間ダイナミクスを明示的にモデル化する失敗によって妨げられている。 これらの障壁を克服するために,回路を2レベルに抽象化する新しい階層型フレームワークであるDeepSeq3を紹介した。 デュアルグラフニューラルネットワーク(GNN)アーキテクチャは、両方のレベルで表現を学習し、ローカルブール論理とグローバル状態遷移をキャプチャする。 決定的に、我々はFF状態間の到達性を予測し、時間的挙動を深く理解したモデルを提供する、状態中心の事前学習スキームを導入する。 大規模なベンチマークで実証されたDeepSeq3のアプローチは、優れたスケーラビリティとよりリッチな表現をもたらし、正確性を保証しながら境界モデルチェック(BMC)解決時間を18%削減する。

関連論文リスト

• From Connectivity to Rewards: Dense Reward Learning with Directed State Graphs [37.10671332775445]
  非対称環境におけるペアワイズ状態接続強度を予測するための状態接続モデルを提案する。 提案するフレームワークであるGraph-Guided Quasimetric Reward (G2QDR) が,理論上既存のGoal-Conditioned Reinforcement Learningアーキテクチャに統合可能であることを実証する。
  論文  参考訳（メタデータ） (2026-09-09T19:29:22Z)
• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• BOOST-RPF: Boosted Sequential Trees for Radial Power Flow [0.0]
  本稿では,グローバルグラフ回帰タスクからの電圧予測を逐次パスベース学習問題に変換する新しい手法であるBOOST-RPFを紹介する。 本研究では, 絶対電圧, 親残差, 物理インフォームド残差の3種類のアーキテクチャ特性を評価する。 Kerber DorfnetzグリッドとENGAGEスイートに対してベンチマークされ、BOOST-RPFは最先端の結果を得る。
  論文  参考訳（メタデータ） (2026-03-23T13:41:36Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• GTCN-G: A Residual Graph-Temporal Fusion Network for Imbalanced Intrusion Detection (Preprint) [19.99795815493204]
  本稿では,Gated Temporal Convolutional Network and Graph (GTCN-G) という新しいディープラーニングフレームワークを提案する。 本モデルでは,ネットワークフローから階層的時間的特徴を抽出するためのGated TCN (G-TCN) を,基礎となるグラフ構造から学習するためのグラフ畳み込みネットワーク (GCN) を用いて一意に融合させる。 中心となるイノベーションは、グラフ注意ネットワーク(GAT)を通じて実装された残留学習メカニズムの統合にある。
  論文  参考訳（メタデータ） (2025-10-08T17:45:59Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• LASE: Learned Adjacency Spectral Embeddings [9.227991604045416]
  グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。 LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。 LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-23T17:35:19Z)
• 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)
• A Hierarchical Block Distance Model for Ultra Low-Dimensional Graph Representations [0.0]
  本稿では,ブロック距離モデル(HBDM)と呼ばれる,スケーラブルなグラフ表現学習手法を提案する。 HBDMは、階層全体を通して潜在距離モデル(LDM)を正確に近似することで、ホモフィリティーと推移性の原因となる。 我々は,数百万ノードからなる大規模ネットワーク上でのHBDMの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-12T15:23:12Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)
• Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
  一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。 カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2020-03-24T09:56:13Z)

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。