预训练图神经网络用于少样本模拟电路建模与设计
机器学习
2022-04-04 v2 人工智能
摘要
能够在不运行昂贵仿真的情况下预测电路性能是一种理想能力，可催化自动化设计。本文提出一种监督预训练方法，以学习可适配新电路拓扑或未见预测任务的电路表示。我们假设，若训练一个可预测广泛电路实例输出直流电压的神经网络（NN），它将被迫学习关于每个电路元件作用及其相互交互的可泛化知识。该监督学习目标的数据集可轻松大规模收集，因为获取真值标签所需的直流仿真相对廉价。该表示随后将有助于少样本泛化至需要更耗时仿真获取真值标签的未见电路指标。为应对不同电路的可变拓扑结构，我们将每个电路描述为图并使用图神经网络（GNNs）学习节点嵌入。我们展示，相比于随机初始化模型，在输出节点电压预测上预训练 GNNs 可促进学习能以最多 10 倍样本效率适配新未见拓扑或预测新电路级属性的表示。我们进一步展示，通过微调预训练 GNNs 作为学习模型的特征提取器，可将先前 SoTA 基于模型的优化方法的样本效率提升 2 倍（几乎与使用 oracle 模型一样好）。
引用
@article{arxiv.2203.15913,
title = {Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design},
author = {Kourosh Hakhamaneshi and Marcel Nassar and Mariano Phielipp and Pieter Abbeel and Vladimir Stojanović},
journal= {arXiv preprint arXiv:2203.15913},
year = {2022}
}