Transferable Parasitic Estimation via Graph Contrastive Learning and Label Rebalancing in AMS Circuits

📄 arXiv: 2507.06535v4 📥 PDF

作者: Shan Shen, Shenglu Hua, Jiajun Zou, Jiawei Liu, Jianwang Zhai, Chuan Shi, Wenjian Yu

分类: cs.LG, eess.SY

发布日期: 2025-07-09 (更新: 2025-10-10)

备注: Final version accepted by the International Conference on Computer-Aided Design (ICCAD) 2025. First two authors have equal contributions

🔗 代码/项目: GITHUB

💡 一句话要点

提出CircuitGCL，通过图对比学习和标签重平衡实现AMS电路中可迁移的寄生参数估计。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 图对比学习 标签重平衡 AMS电路 寄生参数估计 电路设计 可迁移学习 图神经网络

📋 核心要点

  1. AMS电路寄生参数估计面临数据稀缺、标签不平衡和电路多样性挑战，现有方法难以学习鲁棒且可迁移的电路表示。
  2. CircuitGCL通过图对比学习，利用表示散射学习拓扑不变的节点嵌入，并采用标签重平衡策略缓解标签分布差异。
  3. 实验结果表明，CircuitGCL在寄生电容估计和接地电容分类任务上显著优于现有方法，R^2提升高达44.20%。

📝 摘要（中文）

模拟混合信号(AMS)电路上的图表示学习对于各种下游任务至关重要，例如寄生参数估计。然而，设计数据的稀缺性、标签的不平衡分布以及电路实现的固有多样性给学习鲁棒且可迁移的电路表示带来了重大挑战。为了解决这些限制，我们提出了一种新颖的图对比学习框架CircuitGCL，该框架集成了表示散射和标签重平衡，以增强异构电路图之间的可迁移性。CircuitGCL采用自监督策略，通过超球面表示散射学习拓扑不变的节点嵌入，消除了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)损失来减轻电路之间标签分布的差异，从而实现鲁棒且可迁移的寄生参数估计。在TSMC 28nm AMS设计上的寄生电容估计(边级别任务)和接地电容分类(节点级别任务)的评估表明，CircuitGCL优于所有最先进(SOTA)的方法，边缘回归的$R^2$提高了33.64%~44.20%，节点分类的F1分数提高了0.9倍~2.1倍。我们的代码可在https://github.com/ShenShan123/CircuitGCL 获取。

🔬 方法详解

问题定义：论文旨在解决AMS电路中寄生参数估计的可迁移性问题。现有方法受限于设计数据稀缺、标签分布不平衡以及电路实现多样性，导致模型泛化能力差，难以在不同电路之间迁移。现有方法难以有效提取电路拓扑结构中的不变特征，并且容易受到标签分布偏差的影响。

核心思路：论文的核心思路是利用图对比学习，通过自监督的方式学习电路拓扑结构的不变表示，并结合标签重平衡策略，缓解标签分布不平衡带来的影响。通过这种方式，模型可以学习到更鲁棒和可迁移的电路表示，从而提高在不同电路上的泛化能力。

技术框架：CircuitGCL框架主要包含两个核心模块：表示散射和标签重平衡。表示散射模块通过图对比学习，利用超球面表示散射学习拓扑不变的节点嵌入。标签重平衡模块则通过引入平衡均方误差(BMSE)和平衡softmax交叉熵(BSCE)损失，来减轻电路之间标签分布的差异。整体流程是先通过图神经网络提取节点特征，然后利用表示散射模块学习拓扑不变的节点嵌入，最后利用标签重平衡模块进行寄生参数估计或分类。

关键创新：论文的关键创新在于将图对比学习和标签重平衡策略相结合，用于解决AMS电路中寄生参数估计的可迁移性问题。通过自监督学习拓扑不变的节点嵌入，并缓解标签分布不平衡的影响，从而提高了模型的泛化能力。与现有方法相比，CircuitGCL不需要大规模的标注数据，并且能够更好地适应不同电路之间的差异。

关键设计：在表示散射模块中，采用了超球面表示散射，目的是使相似的节点在嵌入空间中更加接近，而不同的节点则更加分散。在标签重平衡模块中，BMSE损失和BSCE损失分别用于回归和分类任务，其核心思想是根据标签的频率调整损失权重，从而缓解标签分布不平衡带来的影响。具体的网络结构采用了多层图卷积网络，参数设置根据具体任务进行调整。

🖼️ 关键图片

img_0

📊 实验亮点

CircuitGCL在TSMC 28nm AMS设计上的实验结果显著优于现有方法。在寄生电容估计（边级别任务）中，$R^2$提高了33.64%~44.20%。在接地电容分类（节点级别任务）中，F1分数提高了0.9倍~2.1倍。这些结果表明，CircuitGCL能够有效提高AMS电路寄生参数估计的准确性和可迁移性。

🎯 应用场景

该研究成果可应用于AMS电路的自动化设计和优化，加速电路设计流程，降低设计成本。通过准确的寄生参数估计，可以提高电路的性能和可靠性。此外，该方法还可以扩展到其他类型的电路和电子系统，具有广泛的应用前景和实际价值。

📄 摘要（原文）

Graph representation learning on Analog-Mixed Signal (AMS) circuits is crucial for various downstream tasks, e.g., parasitic estimation. However, the scarcity of design data, the unbalanced distribution of labels, and the inherent diversity of circuit implementations pose significant challenges to learning robust and transferable circuit representations. To address these limitations, we propose CircuitGCL, a novel graph contrastive learning framework that integrates representation scattering and label rebalancing to enhance transferability across heterogeneous circuit graphs. CircuitGCL employs a self-supervised strategy to learn topology-invariant node embeddings through hyperspherical representation scattering, eliminating dependency on large-scale data. Simultaneously, balanced mean squared error (BMSE) and balanced softmax cross-entropy (BSCE) losses are introduced to mitigate label distribution disparities between circuits, enabling robust and transferable parasitic estimation. Evaluated on parasitic capacitance estimation (edge-level task) and ground capacitance classification (node-level task) across TSMC 28nm AMS designs, CircuitGCL outperforms all state-of-the-art (SOTA) methods, with the $R^2$ improvement of $33.64\% \sim 44.20\%$ for edge regression and F1-score gain of $0.9\times \sim 2.1\times$ for node classification. Our code is available at https://github.com/ShenShan123/CircuitGCL.