KCLNet：面向模拟电路的基于 KCL 的图表示学习
机器学习
2026-03-26 v1 人工智能
摘要
数字电路表示学习在电子设计自动化领域取得了显著进展，有效支持可测试性分析和逻辑推理等关键任务。然而，由于模拟电路的连续电气特性与数字电路的离散状态不同，模拟电路的表示学习仍具挑战性。本文提出一种基于 KCL 的直流电气等效导向的模拟电路表示学习框架，称为 KCLNet。它包含一种异步图神经网络结构，具备电气模拟消息传递，以及受克尔hoff 当前定律 (KCL) 启发的表示学习方法。该方法通过强制每个深度处的输出电流嵌入与输入电流嵌入之和相等，维持电路嵌入空间的有序性，从而显著提升电路嵌入的泛化能力。KCLNet 为保持电气约束的模拟电路表示学习提供了一种新颖且有效的解决方案。实验结果表明，我们的方法在各种下游任务中实现了显著性能，例如模拟电路分类、子电路检测和电路编辑距离预测。
关键词
引用
@article{arxiv.2603.24101,
title = {KCLNet: Electrically Equivalence-Oriented Graph Representation Learning for Analog Circuits},
author = {Peng Xu and Yapeng Li and Tinghuan Chen and Tsung-Yi Ho and Bei Yu},
journal= {arXiv preprint arXiv:2603.24101},
year = {2026}
}