Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Modélisation de circuits logiques relationnels pour réseaux convolutifs à graphes inverseurs

Created by
  • Haebom

Auteur

Weihao Sun, Shikai Guo, Siwen Wang, Qian Ma, Hui Li

Contour

Cet article propose AIGer, un nouveau modèle utilisant des graphes inverseurs (AIG) pour améliorer l'efficacité de l'automatisation de la conception de circuits logiques dans le domaine de l'automatisation de la conception électronique (EDA). Pour pallier les lacunes des modèles existants dues à la structure complexe et au grand nombre de nœuds des AIG, qui modélisent simultanément les caractéristiques fonctionnelles et structurelles et manquent de capacités de propagation dynamique de l'information, AIGer se compose d'un composant d'intégration des caractéristiques logiques des nœuds et d'un composant de réseau d'apprentissage des caractéristiques des AIG. Le premier permet une intégration efficace des nœuds en projetant des nœuds logiques tels que AND et NOT dans un espace sémantique indépendant, tandis que le second utilise un réseau convolutif de graphes hétérogènes pour mieux représenter la structure et l'information d'origine des AIG. Il conçoit une matrice de pondération relationnelle dynamique et une méthode d'agrégation d'informations différenciée. Les résultats expérimentaux démontrent qu'AIGer améliore significativement les MAE et MSE par rapport aux modèles existants les plus performants dans les tâches de prédiction de probabilité de signal (SSP) et de prédiction de distance par table de vérité (TTDP).

Takeaways, Limitations

•
Takeaways:
◦
Une nouvelle méthode de modélisation des AIG en combinant efficacement leurs caractéristiques fonctionnelles et structurelles est présentée.
◦
Amélioration des capacités de diffusion d'informations des AIG grâce à des réseaux convolutifs de graphes hétérogènes, des matrices de pondération relationnelles dynamiques et des méthodes d'agrégation d'informations différenciées.
◦
Amélioration des performances par rapport aux modèles les plus performants existants dans les tâches de prédiction de probabilité de signal (SSP) et de prédiction de distance de table de vérité (TTDP) (SSP : MAE 18,95 %, MSE 44,44 % d’amélioration ; TTDP : MAE 33,57 %, MSE 14,79 %).
◦
Contribuer à l'amélioration de l'efficacité de l'automatisation de la conception des circuits logiques dans le domaine de l'EDA
•
Limitations:
◦
D’autres expériences et analyses sont nécessaires pour déterminer les performances de généralisation du modèle proposé.
◦
Des recherches supplémentaires sont nécessaires sur l’évolutivité et les coûts de calcul des AIG à grande échelle.
◦
Il est possible que cela puisse montrer des performances biaisées pour certains types d'AIG (nécessite de prendre en compte les caractéristiques de l'ensemble de données).
👍
Made with Slashpage