基于图对比学习和标签再平衡的AMS电路可迁移寄生参数估计
机器学习
2025-10-13 v4 系统与控制
系统与控制
摘要
对模拟-模拟信号（AMS）电路进行图表示学习对于各种下游任务（如寄生参数估计）至关重要。然而，设计数据的稀缺、标签分布不平衡以及电路实现的内在多样性构成了学习鲁棒且可迁移电路表示的重要挑战。为此，我们提出CircuitGCL，一种集成表示散射和标签再平衡以增强异构电路图之间表征可迁移性的图对比学习框架。CircuitGCL采用自监督策略通过超球面表示散射学习拓扑不变节点嵌入，消除对大规模数据的依赖。同时，引入平衡均方误差（BMSE）和平衡softmax交叉熵（BSCE）损失，以缓解电路之间标签分布差异，实现鲁棒且可迁移的寄生参数估计。在TSMC 28nm AMS设计中评估的寄生电容估计（边缘级任务）和地线电容分类（节点级任务），CircuitGCL超越了所有最先进（SOTA）方法，边缘回归的R²提升了33.64%~44.20%，节点分类的F1分数提升了0.9倍~2.1倍。我们的代码已公开：https://github.com/ShenShan123/CircuitGCL
引用
@article{arxiv.2507.06535,
title = {Transferable Parasitic Estimation via Graph Contrastive Learning and Label Rebalancing in AMS Circuits},
author = {Shan Shen and Shenglu Hua and Jiajun Zou and Jiawei Liu and Jianwang Zhai and Chuan Shi and Wenjian Yu},
journal= {arXiv preprint arXiv:2507.06535},
year = {2025}
}
备注
Final version accepted by the International Conference on Computer-Aided Design (ICCAD) 2025. First two authors have equal contributions