Graph Neural Networks Based Analog Circuit Link Prediction

📄 arXiv: 2504.10240v5 📥 PDF

作者: Guanyuan Pan, Tiansheng Zhou, Jianxiang Zhao, Zhi Li, Yugui Lin, Bingtao Ma, Yaqi Wang, Pietro Liò, Shuai Wang

分类: cs.AR, cs.LG

发布日期: 2025-04-14 (更新: 2025-11-18)

备注: Code and data will be made available on request to the corresponding author

期刊: Pan, G., Zhou, T., Zhao, J., Li, Z., Lin, Y., Ma, B., ... & Wang, S. (2026). Graph Neural Networks Based Analog Circuit Link Prediction. Engineering Applications of Artificial Intelligence, 163, 113035

DOI: 10.1016/j.engappai.2025.113035

💡 一句话要点

提出GNN-ACLP方法，利用图神经网络进行模拟电路链路预测，提升电路设计自动化水平。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 图神经网络 链路预测 模拟电路设计 电路网表 检索增强生成

📋 核心要点

  1. 现有电路链路预测方法未能充分利用电路图的拓扑模式，导致预测精度受限，且缺乏对多种网表格式的适应性。
  2. GNN-ACLP方法结合SEAL框架和Netlist Babel Fish工具，利用图神经网络学习电路拓扑特征，并实现网表格式的自动转换。
  3. 实验结果表明，GNN-ACLP在多个数据集上显著提升了链路预测的准确率，并展现出良好的跨数据集泛化能力。

📝 摘要（中文）

本文提出了一种基于图神经网络的模拟电路链路预测方法GNN-ACLP，旨在解决从不完整的网表中识别缺失的组件连接这一模拟电路设计自动化的关键问题。现有方法面临三个主要挑战：电路图拓扑模式利用不足导致预测精度降低；由于标注的复杂性导致数据稀缺，阻碍了模型泛化；对各种网表格式的适应性有限，限制了模型灵活性。GNN-ACLP通过三项创新来应对这些挑战：引入SEAL框架，实现电路链路预测的端口级精度；提出Netlist Babel Fish，一种利用检索增强生成（RAG）与大型语言模型（LLM）的网表格式转换工具，以增强网表格式的兼容性；构建了一个包含775个带注释电路的综合数据集SpiceNetlist，涵盖7种不同类型和10个组件类别。实验表明，与基线相比，在数据集内评估中，SpiceNetlist上的准确率提高了16.08%，Image2Net上提高了11.38%，Masala-CHAI上提高了16.01%，同时在数据集间评估中保持了92.05%到99.07%的准确率，证明了强大的特征迁移能力。然而，其线性计算复杂度使得处理大规模网表具有挑战性，需要在未来解决。

🔬 方法详解

问题定义：电路链路预测旨在从不完整的电路网表中推断缺失的组件连接。现有方法的痛点在于：对电路拓扑结构的利用不足，导致预测精度不高；标注数据的稀缺限制了模型的泛化能力；对不同网表格式的兼容性差，限制了模型的应用范围。

核心思路：论文的核心思路是利用图神经网络（GNNs）学习电路图的拓扑结构特征，并结合SEAL框架提取更丰富的子图信息，从而提高链路预测的准确性。同时，利用大型语言模型（LLM）构建Netlist Babel Fish工具，实现不同网表格式之间的自动转换，增强模型的兼容性。

技术框架：GNN-ACLP的整体框架包含以下几个主要模块：1) 电路图构建模块，将电路网表转换为图结构；2) 图神经网络模块，利用GNN学习电路图的节点和边的表示；3) SEAL框架模块，提取子图特征并进行链路预测；4) Netlist Babel Fish模块，利用RAG和LLM实现网表格式转换。

关键创新：论文的关键创新点在于：1) 将SEAL框架引入电路链路预测，提升了端口级别的预测精度；2) 提出了Netlist Babel Fish工具，利用RAG和LLM实现了网表格式的自动转换，增强了模型的兼容性；3) 构建了包含多种电路类型和组件的综合数据集SpiceNetlist，为模型训练和评估提供了数据支持。

关键设计：GNN模块采用了多层图卷积网络（GCN）或图注意力网络（GAT），用于学习节点和边的表示。SEAL框架通过提取目标链路周围的子图，并结合节点属性和嵌入向量进行链路预测。Netlist Babel Fish利用预训练的LLM，结合检索到的相关网表信息，生成目标格式的网表。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，GNN-ACLP方法在SpiceNetlist、Image2Net和Masala-CHAI数据集上分别取得了16.08%、11.38%和16.01%的准确率提升。同时，在跨数据集评估中，该方法保持了92.05%到99.07%的准确率，展现出强大的特征迁移能力。

🎯 应用场景

该研究成果可应用于模拟电路设计自动化领域，帮助工程师快速准确地完成电路设计，减少人工干预，提高设计效率。此外，该方法还可以扩展到其他类型的网络链路预测问题，例如社交网络、知识图谱等。

📄 摘要（原文）

Circuit link prediction, which identifies missing component connections from incomplete netlists, is crucial in analog circuit design automation. However, existing methods face three main challenges: 1) Insufficient use of topological patterns in circuit graphs reduces prediction accuracy; 2) Data scarcity due to the complexity of annotations hinders model generalization; 3) Limited adaptability to various netlist formats restricts model flexibility. We propose Graph Neural Networks Based Analog Circuit Link Prediction (GNN-ACLP), a graph neural networks (GNNs) based method featuring three innovations to tackle these challenges. First, we introduce the SEAL (learning from Subgraphs, Embeddings, and Attributes for Link prediction) framework and achieve port-level accuracy in circuit link prediction. Second, we propose Netlist Babel Fish, a netlist format conversion tool that leverages retrieval-augmented generation (RAG) with a large language model (LLM) to enhance the compatibility of netlist formats. Finally, we build a comprehensive dataset, SpiceNetlist, comprising 775 annotated circuits of 7 different types across 10 component classes. Experiments demonstrate accuracy improvements of 16.08% on SpiceNetlist, 11.38% on Image2Net, and 16.01% on Masala-CHAI compared to the baseline in intra-dataset evaluation, while maintaining accuracy from 92.05% to 99.07% in cross-dataset evaluation, demonstrating robust feature transfer capabilities. However, its linear computational complexity makes processing large-scale netlists challenging and requires future addressing.