論文の概要: Circuit-MLLM: Topological Logic-Guided Latent-Space Visual Reasoning for Circuit Schematic Understanding

• arxiv url: http://arxiv.org/abs/2609.15668v1
• Date: Mon, 14 Sep 2026 14:47:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.455099
• Title: Circuit-MLLM: Topological Logic-Guided Latent-Space Visual Reasoning for Circuit Schematic Understanding
• Title（参考訳）: Circuit-MLLM:回路スキーマ理解のためのトポロジカル論理ガイド付き潜在空間ビジュアル推論
• Abstract要約: Circuit-MLLMは、回路スキーマ解析のためのマルチモーダル推論フレームワークである。 マルチグラニュラリティ回路ビジョンの専門家から得られた構造的にリッチな特徴とモデルの潜在表現を整合させる回路知識マイニング機構を導入する。 回路解析のタスクは多岐にわたるが、Circuit-MLLMはGPT-5.1よりも25%高いスコアを達成している。
• 参考スコア（独自算出の注目度）: 15.311087570707285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Through pre-training on extensive text and image datasets, current multi-modal large language models (MLLMs) achieve strong performance on general tasks. However, circuit schematics present a unique challenge for MLLMs due to their dense component layouts and distinct topological logic, demanding fine-grained structural parsing to extract the electrical semantics. To address this, we propose Circuit-MLLM, a multimodal reasoning framework that reformulates circuit topology analysis as a process of device localization, path tracing, and sequential reasoning within the latent space. We introduce a circuit knowledge mining mechanism that deeply aligns the model's latent representations with structurally rich features derived from multi-granularity circuit vision experts, enabling the model to effectively internalize topological semantics. Building upon these internalized semantics, we devise a topology-guided sequencing strategy that decouples reasoning from the rigid raster-scan order, enforcing stepwise inference along the circuit's topological logic in latent space. Across diverse circuit analysis tasks, Circuit-MLLM consistently outperforms strong baselines, notably achieving a 25% higher average score than GPT-5.1, which demonstrates the effectiveness of our framework in circuit schematic topology analysis. Code is publicly available at https://github.com/IC-Yuan/Circuit-MLLM.
• Abstract（参考訳）: 大規模なテキストや画像データセットの事前学習を通じて、現在のマルチモーダルな大規模言語モデル(MLLM)は、一般的なタスクにおいて強力なパフォーマンスを実現する。 しかし、回路設計学は、その密度の高い成分配置と異なる位相論理により、電気的意味論を抽出するために微細な構造解析を必要とするため、MLLMに固有の課題を提示する。 そこで我々は,回路トポロジ解析をデバイスローカライズ,パストレース,シーケンシャル推論のプロセスとして再構成するマルチモーダル推論フレームワークCircuit-MLLMを提案する。 本稿では,多粒度回路ビジョンの専門家による構造的にリッチな特徴とモデルの潜在表現を深く整合させ,トポロジ的意味論を効果的に内部化する回路知識マイニング機構を提案する。 これらの内部的セマンティクスに基づいて、剛性ラスタ・スキャン順序から推論を分離するトポロジ誘導型シークエンシング戦略を考案し、回路のトポロジ的論理を潜時空間で段階的に推論する。 特にGPT-5.1よりも25%高い平均スコアを達成し,回路構造トポロジ解析における我々のフレームワークの有効性を示す。 コードはhttps://github.com/IC-Yuan/Circuit-MLLMで公開されている。

関連論文リスト

• SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers [20.356252444311195]
  大規模言語モデル(LLM)は、自然言語理解において顕著な熟練性を示しているが、厳密な多段階推論に苦慮している。 既存のChain-of-Thought(CoT)のようなソリューションは厳密な検証メカニズムを欠いているが、標準的なRetrieval-Augmented Generation(RAG)は論理的タスクに固有の複雑な構造的依存関係を欠いていることが多い。 論理知識グラフ(LKG)と動的ソルバルーティングを統合したニューロ・シンボリックアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-08-27T09:06:52Z)
• Scalable Circuit Learning for Interpreting Large Language Models [49.202271807046365]
  スパース線形回帰に基づくスケーラブルな回路学習手法であるCircuitLassoを提案する。 解釈可能性について、CircuitLassoはSAEの特徴間の関係を効率的に発見し、人間の解釈可能な意味的特徴がモデルを通してどのように伝播し、その予測に影響を与えるかを示す。
  論文  参考訳（メタデータ） (2026-06-15T16:40:43Z)
• 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)
• Closed-Loop LLM Discovery of Non-Standard Channel Priors in Vision Models [48.83701310501069]
  大規模言語モデル(LLM)はニューラルアーキテクチャサーチ(NAS)に対する変換的アプローチを提供する 我々は、LLMが性能テレメトリに基づいてアーキテクチャ仕様を洗練する条件付きコード生成タスクのシーケンスとして検索を定式化する。 AST(Abstract Syntax Tree)変異を用いて,有効かつ整合性のあるアーキテクチャの膨大なコーパスを生成する。 CIFAR-100の実験結果は、この手法の有効性を検証し、精度の統計的に有意な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2026-01-13T13:00:30Z)
• ChipMind: Retrieval-Augmented Reasoning for Long-Context Circuit Design Specifications [22.508372519635543]
  我々は、長大なIC仕様のために特別に設計された知識グラフ強化推論フレームワークであるChipMindを紹介する。 ChipMindはまず、回路仕様をドメイン固有の知識グラフ ChipKG に変換する。 次に、ChipKG-Augmented Reasoning機構を利用し、情報理論適応検索と論理的依存関係を動的にトレースし、意図認識のセマンティックフィルタリングと組み合わせ、無関係なノイズを誘発する。
  論文  参考訳（メタデータ） (2025-12-05T02:09:49Z)
• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• FuncGNN: Learning Functional Semantics of Logic Circuits with Graph Neural Networks [0.0]
  And-Inverter Graph synthesiss (AIG) は、現代の回路におけるブール論理を表現するために広く採用されている。 マルチグラニュラリティトポロジカルパターンを抽出するために,ハイブリッド機能アグリゲーションを統合したFuncGNNを提案する。 FuncGNNは、それぞれ2.06%と18.71%の改善を実現し、トレーニング時間を約50.6%、GPUメモリ使用量を約32.8%削減した。
  論文  参考訳（メタデータ） (2025-06-07T13:04:07Z)
• Inductive Learning of Logical Theories with LLMs: An Expressivity-Graded Analysis [9.865771016218549]
  本研究は,Large Language Models(LLM)の機能と限界を分析するための,新しい体系的方法論を提案する。 この分析は、LLM性能に関する特定の推論課題の定量化を可能にする、複雑性グレードのw.r.t.ルール依存構造である。
  論文  参考訳（メタデータ） (2024-08-15T16:41:00Z)
• CIRCUITSYNTH: Leveraging Large Language Models for Circuit Topology Synthesis [7.131266114437393]
  有効な回路トポロジの自動合成を容易にするためにLCMを利用する新しい手法であるCIRCUITSYNTHを導入する。 提案手法は,回路効率の向上と出力電圧の特定を目的とした今後の研究の基盤となる。
  論文  参考訳（メタデータ） (2024-06-06T01:59:59Z)
• Understanding Token-level Topological Structures in Transformer-based Time Series Forecasting [52.364260925700485]
  Transformer-based method has achieved state-of-the-art performance in time series forecasting (TSF) 既存のトランスフォーマーが中間層全体を通してトークン間の固有位相構造を完全に活用しているかどうかは不明である。 トークンレベルのトポロジを明示的にかつ適応的に保存するトランスフォーマーベースの新しいTSF手法であるトポロジ拡張法(TEM)を提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:21:39Z)
• Guiding the PLMs with Semantic Anchors as Intermediate Supervision: Towards Interpretable Semantic Parsing [57.11806632758607]
  本稿では,既存の事前学習言語モデルを階層型デコーダネットワークに組み込むことを提案する。 第一原理構造をセマンティックアンカーとすることで、2つの新しい中間管理タスクを提案する。 いくつかのセマンティック解析ベンチマークで集中的な実験を行い、我々のアプローチがベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2022-10-04T07:27:29Z)

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。