CN118246387B - 一种基于图神经网络技术实现模拟电路分类的方法及系统 - Google Patents

一种基于图神经网络技术实现模拟电路分类的方法及系统 Download PDF

Info

Publication number
CN118246387B
CN118246387B CN202410675582.7A CN202410675582A CN118246387B CN 118246387 B CN118246387 B CN 118246387B CN 202410675582 A CN202410675582 A CN 202410675582A CN 118246387 B CN118246387 B CN 118246387B
Authority
CN
China
Prior art keywords
neural network
analog circuit
graph
circuit
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410675582.7A
Other languages
English (en)
Other versions
CN118246387A (zh
Inventor
白雪
赵军明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Xinliancheng Software Co ltd
Original Assignee
Suzhou Xinliancheng Software Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Xinliancheng Software Co ltd filed Critical Suzhou Xinliancheng Software Co ltd
Priority to CN202410675582.7A priority Critical patent/CN118246387B/zh
Publication of CN118246387A publication Critical patent/CN118246387A/zh
Application granted granted Critical
Publication of CN118246387B publication Critical patent/CN118246387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/373—Design optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于电路分析领域，公开了一种基于图神经网络技术实现模拟电路分类的方法及系统，方法包括步骤：S1、预处理模拟电路数据集；S2、设计适合模拟电路分类问题的图神经网络模型结构；S3、使用模拟电路数据集训练搭建好的模型；S4、优化模型提升模型性能；S5、用训练好的模型对模拟电路的电路结构进行检测和分类。本发明依靠图神经网络的表征学习能力，使用算法实现对电路结构的自动分类，分类准确率高。本发明对于未包含在标准电路库中的电路也能准确地判断出其所属分类类型。本发明能够替代人工处理模拟电路分类的工作，大大节约了人力成本，提升了电路整理前期工作的效率。

Description

一种基于图神经网络技术实现模拟电路分类的方法及系统
技术领域
本发明涉及电路分析领域，特别涉及一种基于图神经网络技术实现模拟电路分类的方法及系统。
背景技术
随着集成电路设计和制造技术的迅猛发展，集成电路的集成度越来越高，模拟电路的规模也越来越大。对于超大规模集成电路，能集成十万、百万个以上的元器件，由这些器件组成的模拟电路结构也是数以万计。
在电路分析领域，工程师需要对模拟电路中的电路结构按照其功能和结构特性进行提取和分类工作，以便后续对电路做进一步的分析。电路整理工程师需要将海量的集成电路进行分类，现有技术是由电路工程师依靠专业的电路学知识对电路结构进行功能性分析，推断出该电路结构所属的电路类型。然而一方面集成电路中的电路类型种类繁多，部分电路类型之间的差异性不大，分类难度较高，另一方面，集成电路中的电路结构多则达到百万数量级别。电路整理工程师处理完全部的电路结构往往需要数月的时间，电路整理效率低，不能满足工期要求。另外，电路整理工作，一方面依赖于电路整理工程师专业的电路学知识，对人才的技术能力有较高的要求，另一方面，大量的电路分类工作由专业的电路工程师完成会导致技术人才的浪费。
由于模拟电路结构的类型并不固定，若使用传统算法枚举出所有的电路类型进行类型匹配，当出现传统算法规则中未定义的新的电路结构时，传统算法将无法对其进行归类，算法的泛化性较差，需要不停调整算法。
综上所述，电路分析领域急需一种可以更加高效、准确、智能的算法来辅助完成模拟电路的分类工作。
发明内容
本发明目的是：提供一种基于图神经网络技术实现模拟电路分类的方法及系统，通过图神经网络算法有效地捕捉模拟电路节点和边之间的拓扑结构和特征信息，将其转化为特征表示，最终实现对电路结构进行分类，提高电路整理的效率，提升算法对未见过的电路的分类能力。
本发明的技术方案是：
一种基于图神经网络技术实现模拟电路分类的方法，包括步骤：
S1、预处理模拟电路数据集；
S2、设计适合模拟电路分类问题的图神经网络模型结构，对模拟电路进行特征提取和特征更新；
S3、使用模拟电路数据集训练搭建好的图神经网络模型；
S4、优化图神经网络模型，提升模型性能；
S5、用优化好的图神经网络模型对模拟电路的电路结构进行检测和分类。
优选的，步骤S1中，预处理模拟电路数据集具体包括：
S11、调研模拟电路的电路分类需求背景，确定模拟电路的标准电路单元库；
S12、将模拟电路的电路图数据解析为可被模型理解的图数据格式，对图数据的节点特征和边特征进行提取表示；
S13、按照标准电路单元库的分类对图数据进行打标签操作，并将数据集划分为训练集、验证集和测试集；
S14、采用归一化特征矩阵或邻接矩阵，对图数据进行预处理，以消除数据间的尺度差异和噪声影响。
优选的，步骤S2中，设计图神经网络模型结构的方法为：结合模拟电路分类问题的特点，选择适合模拟电路分类问题的图神经网络结构来构建模型，并设置超参数。
优选的，步骤S2中，构建的图神经网络模型的特征更新过程为：
用和分别表示节点vi和u在t时的节点表征，表示边（vi, u）在t时的边的特征，N(u) 表示与u相邻的节点集合，节点u的消息传递过程描述为：
；
其中，Φ是定义在每条边上的消息函数，是可微分函数，它将边的特征与其两端节点的特征相结合来生成消息，ρ是聚合函数，将所有的边的消息聚合起来处理，是可微分、具有排列不变性的函数，Ψ是更新函数，结合聚合后的消息和节点u本身的节点特征来更新节点u的特征；
神经网络模型的每一个特征提取层都会对节点的特征和连接的特征按照上述特征更新过程进行更新，实现节点信息的传递和更新；
为图神经网络模型设置的超参数，包括学习率、正则化参数。
优选的，步骤S2中，构建的图神经网络模型还引入图注意力机制，对图数据进行自适应的权重分配，通过计算节点间的注意力系数，实现对重要节点和边的强调，从而提高分类性能。
优选的，步骤S3中，训练搭建好的模型具体包括：使用步骤S1划分得到的训练集对步骤S2构建的图神经网络模型进行训练，使用验证集对图神经网络模型进行调参，选择出最佳模型；将预处理过的训练数据集分批次送入图神经网络模型，执行模型训练操作。
优选的，步骤S4中，优化图神经网络模型具体包括：选择准确率、精确率、召回率作为评估指标，评估步骤S3训练好的图神经网络模型在测试集上的表现；参照评估指标的评价结果，调整超参数和图神经网络模型结构，进行模型的优化，进一步提升模型性能。
优选的，步骤S5中，对模拟电路的电路结构进行检测和分类具体包括：使用优化好的图神经网络模型，对模拟电路的电路结构进行检测，推断出模拟电路所属的分类类型。
一种基于图神经网络技术实现模拟电路分类的系统，系统包括图预处理模块、图神经网络模型和分类结果输出模块，其中：
图预处理模块，用于对输入的图数据进行预处理，包括图的规范化、特征提取操作；
图神经网络模型，包括图卷积层、图池化层，用于对预处理后的图数据进行特征学习和分类；
分类结果输出模块，用于输出图神经网络模型的分类结果。
本发明的优点是：
本发明基于图神经网络技术实现模拟电路分类的方法，依靠图神经网络的表征学习能力，使用算法实现对电路结构的自动分类，分类准确率在85%以上。此外，对于未包含在标准电路库中的电路，人工往往很难判断其电路类型，而本发明对于这种电路也能够较为准确地判断出其所属分类类型。本发明替代了人工处理模拟电路分类的工作，大大节约了人力成本，提升了电路整理前期工作的效率。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为NAND电路的电路结构图；
图2为NOR电路的电路结构图；
图3为节点表征更新的示意图。
具体实施方式
本发明提出一种基于图神经网络技术实现模拟电路分类的方法，包括步骤：
S1、预处理模拟电路数据集；
S2、设计适合模拟电路分类问题的图神经网络模型结构；
S3、使用模拟电路数据集训练搭建好的模型；
S4、优化模型提升模型性能；
S5、用训练好的模型对模拟电路的电路结构进行检测和分类。
步骤S1预处理模拟电路数据集具体包括：调研模拟电路的电路分类需求背景，确定模拟电路的标准电路单元库；将模拟电路的电路图数据解析为可被模型理解的图数据格式，对图数据的节点特征和边特征进行提取表示，边特征为电子元器件之间的连接关系特征，节点特征为不同电子元器件的特征；按照标准电路单元库的分类对图数据进行打标签操作，并将数据集划分为训练集、验证集和测试集。采用归一化特征矩阵或邻接矩阵，对图数据进行预处理，以消除数据间的尺度差异和噪声影响。
步骤S2设计图神经网络模型结构具体包括：结合模拟电路分类问题的特点，选择适合模拟电路分类问题的图神经网络结构来构建模型。
模型的特征提取模块仿照傅里叶卷积的模式，定义图卷积的模块。用和分别表示节点vi和u在t时的节点表征，表示边（vi, u）在t时的边的特征，N(u) 表示与u相邻的节点集合，节点u的消息传递过程描述为：
；
其中，Φ是定义在每条边上的消息函数，是可微分函数，它将边的特征与其两端节点的特征相结合来生成消息，ρ是聚合函数，将所有的边的消息聚合起来处理，是可微分、具有排列不变性的函数，Ψ是更新函数，结合聚合后的消息和节点u本身的节点特征来更新节点u的特征。
神经网络的每一个特征提取层都会对节点的特征和连接的特征按照上述方式进行更新，如此，便实现了节点信息的传递和更新，如图3所示。
引入图注意力机制，对图数据进行自适应的权重分配，通过计算节点间的注意力系数，实现对重要节点和边的强调，从而提高分类性能。
为模型设置合适的超参数，比如学习率、正则化参数等。
步骤S3训练搭建好的模型具体包括：使用步骤S1划分得到的训练集对步骤2构建的模型进行训练，使用验证集对模型进行调参，选择出最佳模型。将预处理过的训练数据集分批次送入图神经网络执行模型训练操作。
步骤S4优化模型提升模型性能具体包括：选择准确率、精确率、召回率等作为评估指标，评估步骤S3训练好的模型在测试集上的表现。参照评估指标的评价结果，调整超参数、模型结构等，进行模型的优化，进一步提升模型性能。
步骤S5检测和分类具体包括：使用优化好的模型，对模拟电路的电路结构进行检测，推断出该电路所属的分类类型。
本发明提出一种基于图神经网络技术实现模拟电路分类的系统，包括图预处理模块、图神经网络模型和分类结果输出模块，其中：
图预处理模块，用于对输入的图数据进行预处理，包括图的规范化、特征提取操作；
图神经网络模型，包括图卷积层、图池化层，用于对预处理后的图数据进行特征学习和分类；
分类结果输出模块，用于输出图神经网络模型的分类结果。
以某实际项目为例，在模拟电路中，常见的基础模拟电路结构约30种，且部分电路类型之间电路结构相似度较高，如图1所示的NAND电路和图2所示的NOR电路，人工分辨时，难度较大，在此基础上，将海量的电路结构进行归类是个相当复杂的工作。但通过本方法，可以有效地判断出这两个电路结构的电路类型。
具体地，首先，将图中的电子元器件之间的结构关系表示为图数据，通过图预处理模块对图数据进行规范化处理，然后，提取边特征（电子元器件之间的连接关系特征）、节点特征（不同电子元器件的特征），接着，将处理后的图数据输入到图神经网络模型中进行训练，使得模型能够学习到电路结构的特征表示，最后，利用训练好的模型对电路数据进行分类，判断出该电路结构最有可能所属的电路类型。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。任何通过图神经网络算法实现对模拟电路结构进行分类的方法都属于本专利要求被保护的范围内。

Claims (7)

1.一种基于图神经网络技术实现模拟电路分类的方法，其特征在于，包括步骤：
S1、预处理模拟电路数据集；
S2、设计适合模拟电路分类问题的图神经网络模型结构，对模拟电路进行特征提取和特征更新；
S3、使用模拟电路数据集训练搭建好的图神经网络模型；
S4、优化图神经网络模型，提升模型性能；
S5、用优化好的图神经网络模型对模拟电路的电路结构进行检测和分类；
步骤S1中，预处理模拟电路数据集具体包括：
S11、调研模拟电路的电路分类需求背景，确定模拟电路的标准电路单元库；
S12、将模拟电路的电路图数据解析为可被模型理解的图数据格式，对图数据的节点特征和边特征进行提取表示；
S13、按照标准电路单元库的分类对图数据进行打标签操作，并将数据集划分为训练集、验证集和测试集；
S14、采用归一化特征矩阵或邻接矩阵，对图数据进行预处理，以消除数据间的尺度差异和噪声影响；
图神经网络模型，包括图卷积层、图池化层，用于对预处理后的图数据进行特征学习和分类；
步骤S2中，构建的图神经网络模型还引入图注意力机制，对图数据进行自适应的权重分配，通过计算节点间的注意力系数，实现对重要节点和边的强调，从而提高分类性能。
2.根据权利要求1所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤S2中，设计图神经网络模型结构的方法为：结合模拟电路分类问题的特点，选择适合模拟电路分类问题的图神经网络结构来构建模型，并设置超参数。
3.根据权利要求2所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤S2中，构建的图神经网络模型的特征更新过程为：
用和分别表示节点vi和u在t时的节点表征，表示边（vi, u）在t时的边的特征，N(u) 表示与u相邻的节点集合，节点u的消息传递过程描述为：
；
其中，Φ是定义在每条边上的消息函数，是可微分函数，它将边的特征与其两端节点的特征相结合来生成消息，ρ是聚合函数，将所有的边的消息聚合起来处理，是可微分、具有排列不变性的函数，Ψ是更新函数，结合聚合后的消息和节点u本身的节点特征来更新节点u的特征；
神经网络模型的每一个特征提取层都会对节点的特征和连接的特征按照上述特征更新过程进行更新，实现节点信息的传递和更新；
为图神经网络模型设置的超参数，包括学习率、正则化参数。
4.根据权利要求3所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤S3中，训练搭建好的模型具体包括：使用步骤S1划分得到的训练集对步骤S2构建的图神经网络模型进行训练，使用验证集对图神经网络模型进行调参，选择出最佳模型；将预处理过的训练数据集分批次送入图神经网络模型，执行模型训练操作。
5.根据权利要求4所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤S4中，优化图神经网络模型具体包括：选择准确率、精确率、召回率作为评估指标，评估步骤S3训练好的图神经网络模型在测试集上的表现；参照评估指标的评价结果，调整超参数和图神经网络模型结构，进行模型的优化，进一步提升模型性能。
6.根据权利要求5所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤S5中，对模拟电路的电路结构进行检测和分类具体包括：使用优化好的图神经网络模型，对模拟电路的电路结构进行检测，推断出模拟电路所属的分类类型。
7.一种基于图神经网络技术实现模拟电路分类的系统，采用权利要求1-6任意一项所述的实现模拟电路分类的方法，其特征在于，系统包括图预处理模块、图神经网络模型和分类结果输出模块，其中：
图预处理模块，用于对输入的图数据进行预处理，包括图的规范化、特征提取操作；
图神经网络模型，包括图卷积层、图池化层，用于对预处理后的图数据进行特征学习和分类；
分类结果输出模块，用于输出图神经网络模型的分类结果。
CN202410675582.7A 2024-05-29 2024-05-29 一种基于图神经网络技术实现模拟电路分类的方法及系统 Active CN118246387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410675582.7A CN118246387B (zh) 2024-05-29 2024-05-29 一种基于图神经网络技术实现模拟电路分类的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410675582.7A CN118246387B (zh) 2024-05-29 2024-05-29 一种基于图神经网络技术实现模拟电路分类的方法及系统

Publications (2)

Publication Number Publication Date
CN118246387A CN118246387A (zh) 2024-06-25
CN118246387B true CN118246387B (zh) 2024-08-13

Family

ID=91551301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410675582.7A Active CN118246387B (zh) 2024-05-29 2024-05-29 一种基于图神经网络技术实现模拟电路分类的方法及系统

Country Status (1)

Country Link
CN (1) CN118246387B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807472A (zh) * 2023-11-22 2024-04-02 华为技术有限公司 一种数据处理方法及相关装置
CN117807943A (zh) * 2024-01-04 2024-04-02 东南大学 基于异质图卷积神经网络的子电路识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400560A (zh) * 2020-03-10 2020-07-10 支付宝(杭州)信息技术有限公司 一种基于异构图神经网络模型进行预测的方法和系统
US20220058325A1 (en) * 2020-08-18 2022-02-24 Anaglobe Technology, Inc. Method for Recognizing Analog Circuit Structure
CN115984633B (zh) * 2023-03-20 2023-06-06 南昌大学 门级电路组件识别方法、系统、存储介质及设备
CN117349743A (zh) * 2023-10-17 2024-01-05 山东大学 一种基于多模态数据的超图神经网络的数据分类方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807472A (zh) * 2023-11-22 2024-04-02 华为技术有限公司 一种数据处理方法及相关装置
CN117807943A (zh) * 2024-01-04 2024-04-02 东南大学 基于异质图卷积神经网络的子电路识别方法

Also Published As

Publication number Publication date
CN118246387A (zh) 2024-06-25

Similar Documents

Publication Publication Date Title
CN105389480B (zh) 多类不平衡基因组学数据迭代集成特征选择方法及系统
CN111914612B (zh) 一种基于改进的卷积神经网络的施工图图元自适应识别方法
CN109492230B (zh) 一种基于感兴趣文本域卷积神经网络提取保险合同关键信息的方法
CN103294817A (zh) 一种基于类别分布概率的文本特征抽取方法
CN111915580A (zh) 烟叶分级方法、系统、终端设备及存储介质
CN111178451A (zh) 一种基于YOLOv3网络的车牌检测方法
CN111143567B (zh) 一种基于改进神经网络的评论情感分析方法
CN109376247A (zh) 一种基于关联规则的软件缺陷自动分类方法
CN112465001B (zh) 一种基于逻辑回归的分类方法及装置
CN111681132B (zh) 适用于海量类别不平衡负荷数据的典型用电模式提取方法
CN113688558A (zh) 一种基于大数据库样本的汽车行驶工况构建方法及系统
CN108664653A (zh) 一种基于K-means的医疗消费客户自动分类方法
CN115359016A (zh) 基于改进YOLOv5的PCB小目标缺陷检测方法和系统
CN110264311B (zh) 一种基于深度学习的商业推广信息精准推荐方法及系统
CN115081515A (zh) 能效评价模型构建方法、装置、终端及存储介质
CN112685374A (zh) 日志分类方法、装置及电子设备
CN118246387B (zh) 一种基于图神经网络技术实现模拟电路分类的方法及系统
CN114511905A (zh) 一种基于图卷积神经网络的人脸聚类方法
Liu et al. Unbalanced classification method using least squares support vector machine with sparse strategy for steel surface defects with label noise
CN112965968A (zh) 一种基于注意力机制的异构数据模式匹配方法
CN110837853A (zh) 一种快速分类模型构建方法
CN108346287B (zh) 基于影响因素分析的交通流量序列模式匹配方法
CN114627289B (zh) 基于投票机制的工业零件实例分割方法
CN112285541B (zh) 一种电流频率转换电路的故障诊断方法
CN113592013A (zh) 一种基于图注意力网络的三维点云分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant