Oct, 2023

电路作为点集

PDF
TL;DR本文提出了一种新颖的电路设计方法，将电路组件视为点云，并使用基于 Transformer 的点云感知方法从电路中提取特征，实现了直接从原始数据进行特征提取，无需预处理，可进行端到端训练，并实现了高性能。该方法在拥堵预测任务和设计规则检查 (DRC) 违规预测任务中都取得了最先进的性能，并在对开放型 EDA 设计的研究中提供了源代码和预训练模型。
electronic design automationplacement and routingconvolutional neural networksgraph neural networkstransformer-based point cloud perception methods
发现论文，激发创造
  • 轻量级增强 Inception U-Net 神经网络用于布线可行性预测

    我们提出了一种新的 U-Net 变体模型，通过嵌入 Inception 模块来预测路由阻塞和设计规则检查热点，实验证明我们的方法在 Avg-NRMSE 指标上比经典结构分别实现了 5%（RC）和 20%（DRC） 的准确率提升，并且在 SSIM 度量标准上始终优于之前的模型。

    Feb, 2024

  • 预训练图神经网络用于少样本智能模拟电路建模和设计

    本文介绍了一种用于电路设计的监督式预训练方法，利用神经网络（NN）和图神经网络（GNN），以预测输出等效电路的直流电压，提升了新电路结构或未见过的预测任务的可适应性和样本效率。

    Mar, 2022

  • 基于点云学习的动态图卷积神经网络

    该论文提出了一种新的神经网络模块 EdgeConv，用于处理点云数据的图形分类和分割任务，它在每个层动态计算出图形，具有可堆叠和可微性等优点，并通过一些标准基准测试展示了优异性能。

    Jan, 2018

  • 基于贝叶斯神经网络的实用布局感知模拟 / 混合信号设计自动化

    高成本模拟一直是实际模拟 / 混合信号设计自动化的瓶颈。我们提出了一种基于学习的算法，能够使用少量数据进行训练，因此适用于模拟成本高的任务。我们的高效算法解决了后布局性能优化问题，同时也解决了原理图级别调整问题。为了实现高效优化，我们使用贝叶斯神经网络作为回归模型来近似电路性能。对于布局感知的优化，我们将问题看作多保真度优化问题，并通过利用廉价评估结果的相关性来提高效率。我们提供了三个测试案例来证明我们算法的高效性。测试结果表明，我们的方法比传统基准和先进算法更高效。

    Nov, 2023

  • CktGNN：电子设计自动化的电路图神经网络

    该论文介绍了一种用于模拟电路设计自动化的电路图神经网络（CktGNN），通过编码电路图并基于优化子程序自动生成电路拓扑结构和器件尺寸，提高了设计效率。同时，引入了一个名为 OCB 的公开数据集，用于评估和推广 CktGNN 在设计各种模拟电路方面的优越性能。该研究为一种基于学习的开源设计自动化模式在模拟电路领域铺平了道路。

    Aug, 2023

  • 利用大规模神经影像数据集创建连接组约束方法，以实现更加稳健、高效和适应性人工智能

    利用大型神经成像数据集中的连接性图谱等手段，改善边缘端机器学习的效率和鲁棒性，并通过对果蝇和哺乳动物视脑回路连接等领域的分析，展示了多种潜在的应用脑科学领域洞见的方法。

    May, 2023

  • 电路变压器：通过预测下一个门实现端到端电路设计

    通过预测下一个逻辑门，使用基于 Transformer 的神经模型对电子设计任务进行了改进，取得了显著的性能提升，并保持了严格的等效性约束。

    Mar, 2024

  • 基于注意力机制的图卷积神经网络点云学习

    提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

    May, 2019

  • 电路的索引感知学习

    电路的设计是计算机辅助工程中的重要部分，而有关可调参数对最终设计的影响的量化需要新的方法。本文介绍了一种基于机器学习和改进的节点分析的方法，通过解耦系统方程，只学习微分变量并使用解耦关系重构代数变量，从而保证了代数约束的准确性。

    Sep, 2023

  • 视觉电路的自动发现

    基于视觉概念的神经元激活依赖和功能连接，我们提出了一种新的方法来提取深度视觉模型计算图的子图，从而防御大规模预训练模型的对抗攻击。

    Apr, 2024