論文の概要: TARGet: Topology-Aware Fusion-based Radio Frequency Circuit Functional Modeling using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2609.22165v1
• Date: Wed, 26 Aug 2026 19:14:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.752852
• Title: TARGet: Topology-Aware Fusion-based Radio Frequency Circuit Functional Modeling using Graph Neural Networks
• Title（参考訳）: TARGet: グラフニューラルネットワークを用いた位相対応核融合型高周波回路機能モデリング
• Abstract要約: 本稿では,オープンソースのトポロジ対応RF回路モデリング手法TARGetを提案する。 本モデルでは,回路をサブ回路と回路トポロジの2つのレベルとみなす。 TARGetは明示的に回路トポロジ情報をモデルに組み込んでおり、複数のトポロジをまたいで学習することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic synthesis of analog and Radio Frequency (RF) circuits is an emerging area that requires an efficient circuit modeling method. In recent years, Machine Learning (ML) solutions have played a promising role in this regard. However, many existing ML approaches require separate training data for each circuit topology, even when a single circuit component is added or removed. In addition, they overlook circuit topology information, which limits their ability to capture complex component interactions. Furthermore, they rely on fully connected neural networks with flat feature representations, which require substantial amounts of training data. In this work, we propose an open-source topology-aware RF circuit modeling method, TARGet. Our model considers the circuit at two levels: sub-circuits and the overall circuit topology. At the sub-circuit level, TARGet leverages S-parameter representations to capture sub-circuit behavior rather than relying on individual circuit components, providing a reusable behavioral abstraction for RF building blocks. Moreover, TARGet explicitly incorporates circuit topology information into the model, enabling it to learn across multiple topologies. TARGet introduces a novel fusion-based architecture that integrates Graph Neural Networks (GNNs) and sub-circuit connectivity-aware neural networks to improve data efficiency. Experimental evaluation across multiple RF circuit topologies demonstrates that TARGet achieves sub-1% prediction error while reducing the required training data by up to 35.5x compared to state-of-the-art (SOTA) approaches. Furthermore, TARGet achieves 9.7x higher prediction accuracy under a strict 1% error threshold relative to SOTA models. A held-out matching-network evaluation further demonstrates zero-shot transfer to an unseen sub-circuit topology, where TARGet reduces NMAE by up to 45%.
• Abstract（参考訳）: アナログ・無線周波数(RF)回路の自動合成は、効率的な回路モデリング法を必要とする新興領域である。 近年、機械学習(ML)ソリューションはこの点において有望な役割を果たしている。 しかし、既存のMLアプローチの多くは、単一回路コンポーネントの追加や削除であっても、各回路トポロジに対する個別のトレーニングデータを必要とする。 さらに、回路トポロジー情報を見落とし、複雑なコンポーネントの相互作用を捉える能力を制限する。 さらに、かなり量のトレーニングデータを必要とするフラットな特徴表現を備えた、完全に接続されたニューラルネットワークに依存している。 本研究では,オープンソースのトポロジ対応RF回路モデリング手法であるTARGetを提案する。 本モデルでは,回路をサブ回路と回路トポロジの2つのレベルとみなす。 サブ回路レベルでは、TARGetはSパラメータ表現を活用して、個々の回路コンポーネントに依存するのではなく、サブ回路の振る舞いをキャプチャし、RFビルディングブロックに再利用可能な振る舞い抽象化を提供する。 さらに、TARGetは、回路トポロジ情報をモデルに明示的に組み込んで、複数のトポロジ間で学習できるようにする。 TARGetは、グラフニューラルネットワーク(GNN)とサブ回路接続対応ニューラルネットワークを統合して、データ効率を改善する、新しい融合ベースのアーキテクチャを導入した。 複数のRF回路トポロジに対する実験的評価により、TARGetは、最先端(SOTA)アプローチと比較して、必要なトレーニングデータを最大35.5倍まで削減しながら、1%以下の予測誤差を達成することが示された。 さらに、TARGetはSOTAモデルと比較して厳密な1%エラー閾値の下で9.7倍高い予測精度を達成する。 TARGetはNMAEを最大45%減少させるが、ホールドアウトマッチングネットワークの評価により、目に見えないサブ回路トポロジーへのゼロショット転送がさらに証明される。

関連論文リスト

• AR-KAN: Autoregressive-Weight-Enhanced Kolmogorov-Arnold Network for Time Series Forecasting [10.66769114905278]
  時間記憶のための事前学習ARモジュールと非線形表現のためのkanを統合した自己回帰強化コルモゴロフ・アルノルドネットワーク(AR-KAN)を提案する。 AR-KANはARIMAとほぼ周期関数で一致し、72%のRdatasetsシリーズで最高の結果を得る。
  論文  参考訳（メタデータ） (2025-09-03T03:11:26Z)
• Fast and Accurate RFIC Performance Prediction via Pin Level Graph Neural Networks and Probabilistic Flow [0.5599792629509228]
  本研究は,アクティブRF回路の重要な性能指標を予測するために,軽量かつデータ効率,トポロジ対応グラフニューラルネットワーク(GNN)モデルを提案する。 回路はデバイス-端末レベルでモデル化され、データ要求を減らしながらスケーラブルなメッセージパッシングを可能にする。 データセットの実験では、対称平均絶対パーセンテージ誤差(sMAPE)と平均相対誤差(MRE)はそれぞれ平均2.40%と2.91%と高い予測精度を示している。
  論文  参考訳（メタデータ） (2025-08-22T14:06:21Z)
• NN-Former: Rethinking Graph Structure in Neural Architecture Representation [67.3378579108611]
  グラフニューラルネットワーク(GNN)とトランスフォーマーは、ニューラルネットワークを表現する上で有望なパフォーマンスを示している。 これまでの研究で見過ごされている間、兄弟ノードは中心的であることを示す。 我々のアプローチは、精度と遅延予測の両方において、常に有望な性能を達成する。
  論文  参考訳（メタデータ） (2025-07-01T15:46:18Z)
• CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
  本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。 オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。 我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
  論文  参考訳（メタデータ） (2023-08-31T02:20:25Z)
• FuNToM: Functional Modeling of RF Circuits Using a Neural Network Assisted Two-Port Analysis Method [0.40598496563941905]
  本稿では,RF回路の機能モデリング手法であるFuNToMを提案する。 FuNToMは、単一のメインデータセットと複数の小さなデータセットを使用して、複数のトポロジをモデル化するための2ポート解析手法を利用している。 その結果、複数のRF回路において、最先端技術と比較すると、必要なトレーニングデータを2.8倍から10.9倍削減できることがわかった。
  論文  参考訳（メタデータ） (2023-08-03T21:08:16Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Volterra Neural Networks (VNNs) [24.12314339259243]
  本稿では,畳み込みニューラルネットワークの複雑性を低減するために,Volterraフィルタにインスパイアされたネットワークアーキテクチャを提案する。 本稿では,Volterra Neural Network(VNN)の並列実装とその性能について述べる。 提案手法は,動作認識のためのUCF-101およびHMDB-51データセットを用いて評価し,CNN手法よりも優れていた。
  論文  参考訳（メタデータ） (2019-10-21T19:22:38Z)

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。