几何深度学习在模拟电路迭代分类与向下筛选中的应用
计算工程、金融与科学
2023-08-07 v4
摘要
许多复杂工程系统可用拓扑形式（如图）表示。本文利用一种称为几何深度学习（GDL）的机器学习技术,以辅助设计人员处理具有挑战性的、以图为中心的设计问题。此处提出的策略是获取图数据并应用 GDL,以更低的计算成本有效且高效地寻求可实现的最佳性能解。本文所用的案例研究是模拟电路的综成,其试图在特定频率范围内匹配一特定频率响应。先前的研究利用枚举技术生成了 43,249 个代表有效潜在电路的唯一无向图。遗憾的是,确定许多电路的尺寸与性能可能过于昂贵。为在量化的精度权衡下降低计算成本,将部分电路图及其性能用作以分类为主的 GDL 模型的输入数据。随后,该 GDL 模型可用于廉价地预测其余部分,从而协助决策者搜寻最佳图解。本文讨论的结果表明,额外的基于图的特征是有用的,仅使用 10% 的图即获得 80% 的有利总体集分类准确率,且迭代构建的 GDL 模型可进一步将图细分为目标组,其中位数显著更接近最优,并在使用 25% 的图时平均包含前 100 个最佳性能图中的 88.2 个。
引用
@article{arxiv.2303.09770,
title = {On the Use of Geometric Deep Learning for the Iterative Classification and Down-Selection of Analog Electric Circuits},
author = {Anthony Sirico and Daniel R. Herber},
journal= {arXiv preprint arXiv:2303.09770},
year = {2023}
}
备注
Draft, 14 pages, 8 figures, Submitted to ASME Journal of Mechanical Design Special Issue IDETC2023