Few-shot Learning on AMS Circuits and Its Application to Parasitic Capacitance Prediction

📄 arXiv: 2507.06538v1 📥 PDF

作者: Shan Shen, Yibin Zhang, Hector Rodriguez Rodriguez, Wenjian Yu

分类: cs.LG, eess.SY

发布日期: 2025-07-09

备注: Published in Proceedings of DAC2025

💡 一句话要点

CircuitGPS：面向AMS电路的少样本学习寄生电容预测方法

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

关键词: 少样本学习 图神经网络 电路设计 寄生电容预测 图Transformer

📋 核心要点

  1. AMS电路设计数据稀缺，限制了深度学习模型在电路设计中的应用，尤其是在寄生效应预测方面。
  2. CircuitGPS通过小跳采样和混合图Transformer学习子图嵌入，并结合低成本位置编码，实现高效的少样本学习。
  3. 实验表明，CircuitGPS在耦合存在性预测和电容估计方面均优于现有方法，并具备良好的可扩展性。

📝 摘要（中文）

本文提出了一种名为CircuitGPS的少样本学习方法，用于模拟/混合信号(AMS)电路中的寄生效应预测。该方法将电路网表表示为异构图，并将耦合电容建模为图中的连接。CircuitGPS首先在链路预测任务上进行预训练，然后在边回归任务上进行微调。该方法采用小跳采样技术将链路或节点转换为子图，然后使用混合图Transformer学习子图嵌入。此外，CircuitGPS还集成了低成本的位置编码，用于概括采样子图的位置和结构信息。实验结果表明，与现有方法相比，CircuitGPS将耦合存在性的准确率提高了至少20%，并将电容估计的MAE降低了至少0.067。该方法具有很强的可扩展性，可以通过零样本学习直接应用于各种AMS电路设计。消融研究也为图模型表示学习提供了有价值的见解。

🔬 方法详解

问题定义：论文旨在解决AMS电路中寄生电容预测问题。现有方法在数据量不足的情况下，难以训练出泛化能力强的深度学习模型，导致预测精度不高，且难以应用于不同类型的电路设计。

核心思路：论文的核心思路是利用少样本学习，通过预训练和微调的方式，使模型能够仅用少量数据就能学习到电路结构和寄生电容之间的关系。通过图表示学习，将电路结构信息编码到嵌入向量中，从而实现精确的寄生电容预测。

技术框架：CircuitGPS的整体框架包括以下几个阶段：1) 电路网表转换为异构图，耦合电容建模为边；2) 小跳采样，将链路或节点转换为子图；3) 混合图Transformer学习子图嵌入；4) 低成本位置编码，提取子图的位置和结构信息；5) 预训练（链路预测）和微调（边回归）。

关键创新：该方法的主要创新点在于：1) 提出了一种基于小跳采样的子图提取方法，能够有效地捕捉电路的局部结构信息；2) 采用混合图Transformer，结合了图神经网络和Transformer的优点，能够更好地学习图的表示；3) 设计了一种低成本的位置编码，能够有效地概括子图的位置和结构信息。

关键设计：小跳采样中，采样半径是一个关键参数，决定了子图的大小。混合图Transformer的具体结构（例如，Transformer层数、注意力头数）需要根据具体任务进行调整。损失函数包括链路预测的交叉熵损失和边回归的均方误差损失。位置编码的具体实现方式（例如，使用节点ID或结构特征）也会影响模型的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CircuitGPS在耦合存在性预测的准确率上，相比现有方法提升了至少20%，在电容估计的MAE上降低了至少0.067。此外，该方法还展现出良好的零样本学习能力，可以直接应用于不同类型的AMS电路设计，无需重新训练。

🎯 应用场景

该研究成果可应用于AMS电路设计的自动化流程中，提高电路设计的效率和质量。通过精确的寄生电容预测，可以减少电路仿真的次数，缩短设计周期，并优化电路性能。此外，该方法还可推广到其他类型的电路设计问题，例如电路故障诊断和电路优化。

📄 摘要（原文）

Graph representation learning is a powerful method to extract features from graph-structured data, such as analog/mixed-signal (AMS) circuits. However, training deep learning models for AMS designs is severely limited by the scarcity of integrated circuit design data. In this work, we present CircuitGPS, a few-shot learning method for parasitic effect prediction in AMS circuits. The circuit netlist is represented as a heterogeneous graph, with the coupling capacitance modeled as a link. CircuitGPS is pre-trained on link prediction and fine-tuned on edge regression. The proposed method starts with a small-hop sampling technique that converts a link or a node into a subgraph. Then, the subgraph embeddings are learned with a hybrid graph Transformer. Additionally, CircuitGPS integrates a low-cost positional encoding that summarizes the positional and structural information of the sampled subgraph. CircuitGPS improves the accuracy of coupling existence by at least 20\% and reduces the MAE of capacitance estimation by at least 0.067 compared to existing methods. Our method demonstrates strong inherent scalability, enabling direct application to diverse AMS circuit designs through zero-shot learning. Furthermore, the ablation studies provide valuable insights into graph models for representation learning.