KCLNet: Electrically Equivalence-Oriented Graph Representation Learning for Analog Circuits

📄 arXiv: 2603.24101v1 📥 PDF

作者: Peng Xu, Yapeng Li, Tinghuan Chen, Tsung-Yi Ho, Bei Yu

分类: cs.LG, cs.AI

发布日期: 2026-03-25

💡 一句话要点

提出KCLNet，用于模拟电路的电气等效性导向图表示学习

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

关键词: 模拟电路 图神经网络 表示学习 基尔霍夫电流定律 电路分类

📋 核心要点

  1. 模拟电路表示学习面临挑战，因其连续电气特性与数字电路的离散状态不同，现有方法难以有效捕捉。
  2. KCLNet利用电气模拟消息传递的异步图神经网络，并结合基尔霍夫电流定律，保持电路嵌入空间的有序性。
  3. 实验表明，KCLNet在模拟电路分类、子电路检测和电路编辑距离预测等任务中表现出色，提升显著。

📝 摘要（中文）

数字电路表示学习在电子设计自动化领域取得了显著进展，有效地支持了可测试性分析和逻辑推理等关键任务。然而，由于模拟电路的连续电气特性与数字电路的离散状态不同，模拟电路的表示学习仍然具有挑战性。本文提出了一种面向直流（DC）电气等效的模拟表示学习框架，名为KCLNet。它包括一个具有电气模拟消息传递的异步图神经网络结构，以及一种受基尔霍夫电流定律（KCL）启发的表示学习方法。该方法通过强制每个深度上流出和流入电流嵌入的总和相等来保持电路嵌入空间的有序性，从而显著提高了电路嵌入的泛化能力。KCLNet为保持电气约束的模拟电路表示学习提供了一种新颖有效的解决方案。实验结果表明，我们的方法在各种下游任务中取得了显著的性能，例如模拟电路分类、子电路检测和电路编辑距离预测。

🔬 方法详解

问题定义：论文旨在解决模拟电路表示学习的难题。与数字电路不同，模拟电路具有连续的电气特性，这使得传统的数字电路表示学习方法无法直接应用。现有的模拟电路表示学习方法难以有效地捕捉电路的电气特性，导致泛化能力较差。

核心思路：KCLNet的核心思路是利用基尔霍夫电流定律（KCL）来约束电路的嵌入空间。KCL指出，在任何节点上，流入的电流之和等于流出的电流之和。KCLNet通过在图神经网络的消息传递过程中模拟电流流动，并强制每个节点上流入和流出电流嵌入的总和相等，从而保持电路嵌入空间的有序性，并提高泛化能力。

技术框架：KCLNet的整体框架包括以下几个主要模块：1) 电路图构建：将模拟电路转换为图结构，其中节点表示电路元件，边表示元件之间的连接。2) 异步图神经网络：使用异步图神经网络进行消息传递，模拟电路中的电流流动。3) 电气模拟消息传递：在消息传递过程中，考虑电路元件的电气特性，例如电阻、电容等。4) KCL约束：强制每个节点上流入和流出电流嵌入的总和相等，从而保持电路嵌入空间的有序性。

关键创新：KCLNet的关键创新在于将基尔霍夫电流定律（KCL）引入到模拟电路的表示学习中。通过KCL约束，KCLNet能够有效地捕捉电路的电气特性，并提高电路嵌入的泛化能力。与现有的方法相比，KCLNet能够更好地处理模拟电路的连续电气特性，并生成更具代表性的电路嵌入。

关键设计：KCLNet的关键设计包括：1) 异步图神经网络结构：采用异步消息传递机制，模拟电路中的电流流动。2) 电气模拟消息传递：在消息传递过程中，考虑电路元件的电气特性，例如电阻、电容等。具体实现方式未知。3) KCL约束的实现：通过损失函数来强制每个节点上流入和流出电流嵌入的总和相等。损失函数的具体形式未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

KCLNet在多个下游任务中取得了显著的性能提升。例如，在模拟电路分类任务中，KCLNet的准确率比现有方法提高了X%（具体数值未知）。在子电路检测任务中，KCLNet的召回率比现有方法提高了Y%（具体数值未知）。在电路编辑距离预测任务中，KCLNet的预测误差比现有方法降低了Z%（具体数值未知）。这些结果表明，KCLNet能够有效地捕捉模拟电路的电气特性，并生成更具代表性的电路嵌入。

🎯 应用场景

KCLNet在电子设计自动化领域具有广泛的应用前景，可用于模拟电路的自动分析、优化和设计。例如，可以用于电路分类、子电路检测、电路相似性比较、电路故障诊断等任务。该研究有助于提高模拟电路设计的效率和质量，并加速新一代电子产品的开发。

📄 摘要（原文）

Digital circuits representation learning has made remarkable progress in the electronic design automation domain, effectively supporting critical tasks such as testability analysis and logic reasoning. However, representation learning for analog circuits remains challenging due to their continuous electrical characteristics compared to the discrete states of digital circuits. This paper presents a direct current (DC) electrically equivalent-oriented analog representation learning framework, named \textbf{KCLNet}. It comprises an asynchronous graph neural network structure with electrically-simulated message passing and a representation learning method inspired by Kirchhoff's Current Law (KCL). This method maintains the orderliness of the circuit embedding space by enforcing the equality of the sum of outgoing and incoming current embeddings at each depth, which significantly enhances the generalization ability of circuit embeddings. KCLNet offers a novel and effective solution for analog circuit representation learning with electrical constraints preserved. Experimental results demonstrate that our method achieves significant performance in a variety of downstream tasks, e.g., analog circuit classification, subcircuit detection, and circuit edit distance prediction.