Mar, 2024

DE-HNN：电路网表表示的有效神经模型

PDF
TL;DR设计工具的运行时间随着芯片设计的复杂性增加而增长，这已成为一个瓶颈。我们提出了一种将网络列表表示为有向超图，并提出了一种用于有效学习（有向）超图的模型，与现有的图学习框架相比，DE-HNN 显著提高了设计优化工具的精确度。
optimization toolschip designmachine learning modelnetlistdirected equivariant hypergraph neural network
发现论文，激发创造
  • DeepSeq: 深度串联电路学习

    本文提出了一种专为时序电路设计而设计的 DeepSeq 电路表示学习框架，其中包括了一个带有定制传播方案的图神经网络（GNN）以及双任务训练目标和双注意力聚合机制，实验结果表明 DeepSeq 在时序电路学习中表现更优异。

    Feb, 2023

  • 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

  • HNHN: 具有超边神经元的超图网络

    该论文提出了一种基于超图卷积网络的新型框架 HNHN 来进行超图表示学习，其中包括非线性激活函数和灵活的归一化方案，实验结果表明与现有方法相比，在真实世界数据集上表现更好，具有更高的分类精度和速度。

    Jun, 2020

  • DeepGate3：面向可扩展电路表示学习

    DeepGate3 是一个增强的架构，通过初始化 GNN 处理，集成 Transformer 模块来模拟子电路，并通过多个创新的监督任务提高学习过程的能力，显著提升了电路表示学习技术的可扩展性和泛化能力。

    Jul, 2024

  • 从捕获的流量追踪构建基于图的深度学习网络模型

    通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息，并使用改进的消息传递算法更好地表示物理网络中的依赖关系，我们提出了一种基于图神经网络的解决方案，旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。

    Oct, 2023

  • LogicNets: 极高吞吐量应用的协同设计神经网络和电路

    通过设计神经网络拓扑结构来直接映射高效 FPGA 实现的一种新方法。其中，硬件成本与神经元扇入呈指数级增长，通过使用稀疏和低比特激励量化来限制神经元扇入及减小逻辑深度和低 LUT 成本，可以实现具有高速低延时和高吞吐量的电路。应用于高能物理和网络入侵检测等任务，具有竞争性的准确性，每秒推断量可达数亿。

    Apr, 2020

  • DeepGate2：功能感知电路表示学习

    本研究提出 DeepGate2，一种新型功能感知学习框架，其使用逐对真值表之间的差异作为训练监督，并考虑电路的特性，设计了一个高效的图神经网络模型，从而在逻辑综合和布尔可满足性求解任务中表现出了显著的改进。

    May, 2023

  • DecisioNet：一种二叉树结构的神经网络

    本文提出了 DecisioNet（DN），一种二叉树结构的神经网络，用于将现有 DNN 模型转换为轻量级模型以实现计算效率优化。评估表明，DN 变体在减少计算成本的同时达到了与原始网络类似的准确性。

    Jul, 2022

  • E (n) 等变拓扑神经网络

    图神经网络、拓扑深度学习、E（n）等变拓扑神经网络、几何特征和结构丰富数据的学习

    May, 2024

  • 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