論文の概要: CircuitGate: Logic-Consistent Circuit-Level Functional Modeling for And-Inverter Graphs
- arxiv url: http://arxiv.org/abs/2610.09549v1
- Date: Wed, 07 Oct 2026 06:48:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.75484
- Title: CircuitGate: Logic-Consistent Circuit-Level Functional Modeling for And-Inverter Graphs
- Title（参考訳）: CircuitGate:アンド・インバータグラフの論理一貫性回路レベル機能モデリング
- Abstract要約: And-Inverter Graphs (AIG) は電子設計自動化(EDA)における論理合成と検証の基本的な表現である
本稿では,ゲートレベルのセマンティクスから回路レベルの機能モデリングへと進化する関数対応AIG表現学習フレームワークCircuitGateを提案する。
等価ゲート識別と信号確率予測タスク全体にわたって、CircuitGateは既存のメソッドを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 11.315353706846315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: And-Inverter Graphs (AIGs) are fundamental representations for logic synthesis and verification in Electronic Design Automation (EDA). As structured representations of complex digital systems, AIGs require models to capture functional dependencies beyond local structure and remain robust to functionality-preserving transformations. In learning-based AIG representation, existing approaches are predominantly based on GNNs and rely on local gate-level message passing, limiting their ability to capture circuit-level functional context and making the learned representations sensitive to topology-specific patterns. Therefore, we propose CircuitGate, a function-aware AIG representation learning framework that advances from gate-level semantics to circuit-level functional modeling. CircuitGate explicitly encodes global primary-input (PI) support and models support-overlap-aware reconvergence between fanins, while incorporating logic-inspired Boolean constraints to encourage functionally consistent representations. We evaluate CircuitGate on the large-scale ForgeEDA benchmark and further validate it on the EPFL and ITC'99 benchmarks. Across equivalent-gate identification and signal-probability prediction tasks, CircuitGate consistently outperforms existing methods, achieving up to 21.7% and 14.2% reductions in MAE, respectively. Under direct ForgeEDA-to-OpenABC transfer without fine-tuning, CircuitGate also achieves the best equivalent-gate identification performance, demonstrating strong cross-dataset generalization. These results demonstrate the effectiveness of modeling circuit-level functional dependencies beyond local topology.
- Abstract（参考訳）: And-Inverter Graphs (AIG) は電子設計自動化(EDA)における論理合成と検証の基本的な表現である。
複雑なデジタルシステムの構造的表現として、AIGは局所構造を超えた機能的依存関係をキャプチャし、機能保存変換に頑健なままでいなければならない。
学習に基づくAIG表現では、既存のアプローチは主にGNNに基づいており、局所ゲートレベルのメッセージパッシングに依存している。
そこで我々は,ゲートレベルのセマンティクスから回路レベルの機能モデリングへと進化する,関数対応AIG表現学習フレームワークCircuitGateを提案する。
CircuitGateはグローバルプライマリ・インプット(PI)サポートを明示的にエンコードし、ファンイン間のオーバーラップ・アウェア・コンバージェンスをサポートする。
大規模ForgeEDAベンチマークでCircuitGateを評価し,EPFLおよびITC'99ベンチマークでさらに検証した。
等価ゲート識別と信号確率予測のタスク全体で、CircuitGateは既存の手法を常に上回り、それぞれ21.7%と14.2%のMAE削減を実現している。
直流ForgeEDA-to-OpenABC転送を微調整なしで行うことにより、CircuitGateは最適な等価ゲート識別性能を達成し、強力なクロスデータセットの一般化を示す。
これらの結果は、局所位相を超えた回路レベルの関数依存をモデル化する効果を示す。
関連論文リスト
- 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) - Evolutionary Router Feature Generation for Zero-Shot Graph Anomaly Detection with Mixture-of-Experts [60.60414602796664]
ゼロショットGADのための進化的ルータ特徴生成(EvoFG)を備えた新しいMoEフレームワークを提案する。
EvoFGは最先端のベースラインを一貫して上回り、強力で安定したゼロショットGAD性能を実現している。
論文 参考訳（メタデータ） (2026-02-12T06:16:51Z) - Plain Transformers are Surprisingly Powerful Link Predictors [57.01966734467712]
リンク予測はグラフ機械学習における中核的な課題であり、リッチで複雑なトポロジ的依存関係をキャプチャするモデルを必要とする。
グラフニューラルネットワーク(GNN)が標準的なソリューションであるのに対して、最先端のパイプラインは明示的な構造やメモリ集約的なノードの埋め込みに依存していることが多い。
本報告では,手作りのプリミティブに置き換えるエンコーダのみのプレーントランスであるPENCILについて,サンプリングしたローカルサブグラフに注目する。
論文 参考訳（メタデータ） (2026-02-02T02:45:52Z) - Modeling Relational Logic Circuits for And-Inverter Graph Convolutional Network [7.148148583507452]
And-Inverter Graphs (AIG) はディジタル回路の機能特性を効率的に表現し、最適化し、検証する。
AIGerは、1)ノードロジック機能埋め込みコンポーネントと2)AIGの機能学習ネットワークコンポーネントの2つのコンポーネントで構成されている。
論文 参考訳（メタデータ） (2025-08-16T09:23:52Z) - 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) - Functional Matching of Logic Subgraphs: Beyond Structural Isomorphism [13.064477057274226]
サブグラフマッチングは多くの電子設計自動化(EDA)アプリケーションの基礎となっている。
本稿では,ある論理関数がより大きな回路内に暗黙的に存在するかどうかを識別する新しい手法である関数部分グラフマッチングの概念を導入する。
論文 参考訳（メタデータ） (2025-05-28T05:31:49Z) - 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) - 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) - 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)
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。