論文の概要: cktFormer: Transformer-Based Approach for Automated Analog Circuit Design
- arxiv url: http://arxiv.org/abs/2609.36752v1
- Date: Tue, 29 Sep 2026 05:25:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.208014
- Title: cktFormer: Transformer-Based Approach for Automated Analog Circuit Design
- Title（参考訳）: cktFormer: 自動アナログ回路設計のためのトランスフォーマーベースアプローチ
- Abstract要約: 我々は、AIと回路設計のギャップを埋めるデュアルトランスフォーマーアーキテクチャを導入する。
提案手法は,ネットリストデータをグラフベースの表現に構成し,回路トポロジとコンポーネント相互作用の効果的な学習を可能にする。
このアーキテクチャは、AnalogGenieやcktGNNといった最近のモデルよりも、生成回路の妥当性が高い。
- 参考スコア（独自算出の注目度）: 0.09236074230806578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Circuit design is a complex and iterative process that requires expertise in electronic engineering. It involves selecting components while meeting performance constraints, such as power efficiency, cost-effectiveness, and signal integrity. However, manual design is time-consuming and prone to errors. Although other stages of the manufacturing pipeline have benefited from AI-driven optimizations, circuit design remains a bottleneck, limiting overall productivity. Generative AI and machine learning offer the potential to automate and improve this stage, boosting efficiency and accuracy. To address this, we introduce a dual transformer architecture that bridges the gap between AI and circuit design by leveraging attention mechanisms to model complex, non-sequential circuit relationships. Our approach structures netlist data into graph-based representations, enabling effective learning of circuit topology and component interactions. The system consists of two interlinked models: a node prediction model that proposes components and an edge prediction model that infers valid connections. This collaborative and decoupled design captures both component-level semantics and global structural coherence. In our experiments, this architecture outperforms recent models such as AnalogGenie and cktGNN in the validity of generated circuits. By addressing key limitations in existing methods, our work advances automation in electronics engineering and contributes a benchmark for AI-driven circuit synthesis.
- Abstract（参考訳）: 回路設計は、電子工学の専門知識を必要とする複雑で反復的なプロセスである。
電力効率、コスト効率、信号整合性などのパフォーマンス制約を満たしながらコンポーネントを選択する。
しかし、手動設計は時間がかかり、エラーを起こしやすい。
製造パイプラインの他の段階はAI駆動最適化の恩恵を受けているが、回路設計は依然としてボトルネックであり、全体的な生産性が制限されている。
生成AIと機械学習は、このステージを自動化し、改善する可能性を提供し、効率と精度を高める。
そこで本稿では,AIと回路設計のギャップを埋める2つのトランスフォーマーアーキテクチャを提案する。
提案手法は,ネットリストデータをグラフベースの表現に構成し,回路トポロジとコンポーネント相互作用の効果的な学習を可能にする。
このシステムは、コンポーネントを提案するノード予測モデルと、有効な接続を推論するエッジ予測モデルという、2つの相互接続モデルで構成されている。
この協調的で分離された設計は、コンポーネントレベルのセマンティクスとグローバルな構造的コヒーレンスの両方をキャプチャする。
このアーキテクチャは、AnalogGenieやcktGNNといった最近のモデルよりも、生成回路の妥当性が高い。
既存の手法における重要な制限に対処することで、電子工学の自動化が進み、AI駆動回路合成のベンチマークに貢献する。
関連論文リスト
- SINA: A Fully Automated Circuit Schematic Image to Netlist Generator Using Artificial Intelligence [0.0]
SINAは、オープンソースの回路スキーマ画像-ネットリスト生成器である。
SINAはICレベルのスキーマとPCBレベルのスキーマを扱い、専用のクロスワイヤ検出を組み込んでいる。
我々の実験では、全体のネットリスト生成精度は96.67%であり、最先端のアプローチに比べて2.72倍高い。
論文 参考訳（メタデータ） (2026-07-02T02:24:00Z) - AnaFlow: Agentic LLM-based Workflow for Reasoning-Driven Explainable and Sample-Efficient Analog Circuit Sizing [1.2617078020344616]
サンプル効率と説明可能なアナログ回路サイズのための新しいエージェントAIフレームワークを提案する。
AnaFlowフレームワークは、複雑さの異なる2つの回路で実証されており、サイズタスクを完全に完了することができる。
固有の説明可能性により、アナログ設計空間探索の強力なツールとなり、アナログEDAの新しいパラダイムとなる。
論文 参考訳（メタデータ） (2025-11-05T18:24:01Z) - AUTOCIRCUIT-RL: Reinforcement Learning-Driven LLM for Automated Circuit Topology Generation [6.2730802180534155]
AUTOCIRCUIT-RLは、アナログ回路の自動合成のための新しい強化学習ベースのフレームワークである。
有効回路は12%増加し、最高のベースラインに比べて効率が14%向上する。
トレーニングデータに制限のある有効な回路で60%以上の成功を達成し、強力な一般化を示す。
論文 参考訳（メタデータ） (2025-06-03T17:54:30Z) - Architect of the Bits World: Masked Autoregressive Modeling for Circuit Generation Guided by Truth Table [5.300504429005315]
本稿では,回路生成のための条件生成モデルと微分可能なアーキテクチャ探索(DAS)を組み合わせた新しい手法を提案する。
まず、Circuit AutoEncoderに基づいてトレーニングされた回路トークンであるCircuitVQを紹介する。
次に,トークンとしてCircuitVQを活用するマスク付き自己回帰モデルであるCircuitARを開発した。
論文 参考訳（メタデータ） (2025-02-18T11:13:03Z) - 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) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z)
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。