XiaoMi-AI文件搜索系统
World File Search SystemGCX
带有 GNN 的电路图，用于探索最佳设计空间
模拟电路的设计自动化在设计空间大、电路规范之间复杂的相互依赖关系以及资源密集型模拟方面提出了重大挑战。为了应对这些挑战，本文提出了一个创新框架，称为电路图探索器 (GCX)。利用图结构学习和图神经网络，GCX 能够创建一个代理模型，该模型有助于在半监督学习框架内有效探索最佳设计空间，从而减少对大型标记数据集的需求。所提出的方法包括三个关键阶段。首先，我们学习电路的几何表示并用技术信息丰富它以创建一个综合特征向量。随后，将基于特征的图学习与少样本和零样本学习相结合，增强了对未见电路预测的普遍性。最后，我们介绍了两种算法，即 EASCO 和 ASTROG，它们与 GCX 集成后可优化可用样本以产生符合设计者标准的最佳电路配置。通过使用 180 nm CMOS 技术中导出的参数对各种电路进行模拟性能评估，证明了所提方法的有效性。此外，该方法的通用性扩展到高阶拓扑和不同的技术节点，例如 65 nm 和 45 nm CMOS 工艺节点。
使用生成反事实XAI框架揭示AI-ECG
图1。显着图和GCX解释结果的示例。图1.A显示了应用于AI-ECG的显着性图，在视觉上突出了T波，因为TAVE对AI-ECG的预测特别重要。在ECG痕迹下方的热图，范围从黑色到黄色，表明每个片段的重要性不同，T波标记为至关重要。图1.B引入了生成反事实XAI（GCX）方法，说明了反事实场景中每个主要的ECG特征如何影响AI的预测。与原始的ECG（黑线）相比，蓝线代表负反事实（CF）ECG，突出了T波幅度的增加和峰值T波幅度，QRS复合物的扩大和延长的PR间隔，并且P波平坦的影响AI-ECG的影响力预测结果。