基于异构图主动学习的预算约束电子电路关键组件识别
《Microelectronics Journal》:Budget-constrained critical component identification in electronic circuits via active learning on heterogeneous graphs
【字体:
大
中
小
】
时间:2026年09月19日
来源:Microelectronics Journal 2.2
编辑推荐:
# 摘要
关键元件识别为电子电路冲击可靠性评估中的监测节点选择提供了功能影响信息,然而全覆盖故障注入需逐一评估每个候选元件。本文提出了一种面向电路特定场景、受预算约束的框架,该框架结合了异构图消息传递与主动学习。每个电路被建模为包含元件节点、网络节点和端子关系边的异构图。以
# 摘要
关键元件识别为电子电路冲击可靠性评估中的监测节点选择提供了功能影响信息,然而全覆盖故障注入需逐一评估每个候选元件。本文提出了一种面向电路特定场景、受预算约束的框架,该框架结合了异构图消息传递与主动学习。每个电路被建模为包含元件节点、网络节点和端子关系边的异构图。以端子关系为条件的消息传递机制利用端子关系嵌入,通过注意力偏置和维度级门控调节消息权重和特征传递。结合掩码重建预训练和序数回归头,先验引导的初始化与锚点引导的采集策略在预算范围内优先选择分析对象。在包含44至84个元件的五种车载计算单元电路中,该框架在采集策略和端子关系建模的对比测试中均取得了最高的平均F1分数。在30%的预算下,其平均F1分数达到81.12%,直接故障注入评估量减少70.27%,端到端运行时间减少58.28%。在另外两个分别包含152和155个元件的电路上,在相同预算下F1分数分别达到83.16%和79.20%,为该规模下在测试配置中的适用性提供了初步证据。
# 引言
电子电路在通信和导航等关键任务功能中扮演着日益突出的角色,在实际应用中,它们往往运行在复杂环境中,冲击载荷是影响可靠性的关键因素,使得冲击可靠性评估成为电子电路设计中不可或缺的一部分。冲击可靠性评估通常基于在电路节点处获取的冲击响应数据进行。然而,由于监测通道容量和测试成本的限制,对所有节点进行全面监测是不切实际的,因此需要确定哪些节点值得监测。在选择监测节点时,通常优先考虑位于冲击载荷下机械响应较高区域附近的元件所在的电路节点。然而,这种方法忽略了元件之间的信号传输和功能耦合关系。处于高响应区域的元件可能不在关键功能路径上,此时其损坏对整体功能的影响有限。相反,关键功能路径上元件的损坏可能导致整体功能的严重退化甚至完全失效。因此,从功能影响的角度识别关键元件对于监测节点的选择至关重要。
现有研究通过故障仿真、参数敏感性和不确定性分析以及结构重要性度量等方法评估元件级或模块级的关键性。故障场景仿真直接评估功能后果[1];基于Shapley值和蒙特卡洛的分析[2,3]、基于网络和TOPSIS的模块排序[4],以及Morris、LHS和Sobol敏感性分析[5,6]量化了参数变化的影响;信号流和逻辑级结构分析进一步定位了关键模块、路径和门[7,8,9,10,11]。尽管这些方法提供了有用的关键性信息,但当逐一应用于每个候选元件时,逐元件仿真、参数扰动和重复采样可能变得代价高昂,而且当识别工作在多个设计迭代和故障模式之间重复进行时,工作量会累积增加。这促使我们只直接分析部分元件,并从电路拓扑、属性和已获取的标签中推断其余元件的关键性。
这一设定与半监督图学习相关,在该方法中有限的标签与无标签样本的结构信息相结合[12,13]。电子电路通过元件-网络连接自然表现出图结构,现有的电路图神经网络已经证明拓扑结构和器件属性可以支持功能标注、设计自动化、子电路匹配、可靠性预测和时序分析[14,15,16,17,18,19,20,21]。这些研究为关键元件识别中的基于图的表示学习提供了基础。然而,半监督学习通常假设已存在标记子集,并且不决定应对哪些代价高昂的样本进行标记。主动学习通过迭代选择在标注预算下有信息量的样本来解决这一问题,其在建筑能源建模、过程工程、地震易损性分析和其他昂贵工程应用中的有效性已得到验证[22,23,24,25,26,27,28,29]。对于电路关键元件识别而言,尚待解决的问题是如何将电路特定结构以及逐步确认的关键元件融入这一选择过程。
尽管半监督图学习和主动学习分别为推断和样本选择提供了互补方案,但将它们整合用于电路关键元件识别需要解决以下挑战:
**(1)** 元件端子具有不同的电气角色。一些关系感知的电路图神经网络执行关系特定的聚合,但通过求和或拼接来组合所得表示,而在组合之前未对邻居注意力和特征传递进行关系条件调节。因此挑战在于如何在最终节点表示中保留并自适应地利用端子来源信息。
**(2)** 常见的主动学习初始化策略,如随机选择和空间填充采样,并未显式纳入电路特定先验指标来表征元件关键性。此外,常见的不确定性和多样性采集准则并未显式利用已确认的关键元件作为后续查询的优先级参考。因此挑战在于如何在固定的分析预算下同时利用先验元件信息和逐步确认的关键元件。
为解决这些挑战,本文提出了一种基于异构图主动学习的、面向电路特定场景的、受预算约束的电子电路关键元件识别框架。该框架针对每个目标电路独立运行,利用主动学习选择预算受限的元件子集进行直接故障注入分析,并从获取的标签、电路拓扑和元件属性中推断其余元件的关键性。主要贡献如下:
**(1)** 提出了端子关系条件的消息传递机制。端子关系通过可学习嵌入表示,从中派生注意力偏置和维度级门控向量,分别在来自不同端子关系的消息组合之前调节邻居聚合权重和特征传递。
**(2)** 提出了面向关键元件识别的主动学习策略。先验元件特征和分组配额分配引导初始选择。在迭代过程中,复合采集函数整合了关键概率、锚点相似度、不确定性和多样性。已确认的关键元件作为利用评分中的锚点,而动态调度逐步将平衡从探索转向利用,在有限的分析预算下优先发现关键元件。
# 段落摘要
## 电路图建模
电子电路被建模为异构图:
$$\mathcal{G} = (\mathcal{V}_c, \mathcal{V}_n, \mathcal{E}, \mathcal{X}_c, \mathcal{X}_n, \mathcal{X}_e)$$
其中 $\mathcal{V}_c = \{v_c^i\}_{i=1}^{N_c}$ 是元件节点集合,$|\mathcal{V}_c| = N_c$;$\mathcal{V}_n = \{v_n^j\}_{j=1}^{N_n}$ 是网络节点集合,$|\mathcal{V}_n| = N_n$;元件节点集合和网络节点集合具有类型区分且互不相交,即 $\mathcal{V}_c \cap \mathcal{V}_n = \emptyset$;$\mathcal{E} = (e^m)_{m=1}^{N_e}$ 是端子级连接边的索引集合,即使其端点和关系三元组重合,也保留平行边;每条边 $e^m = (v_c^i, v_n^j, r^m)$ 表示端子 $r^m$ 的…
## 概述
图2展示了整体框架。主要方法学贡献在于步骤2,该步骤引入了具有学习注意力偏置和维度级门控调节的端子关系条件消息传递,以及步骤4,该步骤结合了先验引导的初始化与锚点引导的、预算感知的采集策略;步骤1、3和5分别提供了图构建、自监督预训练和决策整合等支持阶段。步骤1将电路网表转换为…
## 数据集
车载电子设备在持续振动和瞬态冲击条件下工作[35],其计算单元的板级电路通常涉及多通道信号选择、模拟/数字信号转换、接口和负载驱动以及时序控制等任务[36]。因此,构建了五个实验电路模型,分别对应方波复用、模数转换、数模转换、功率放大和时序控制。
## 结论
本文提出了一种面向电路特定场景的、受预算约束的电子电路关键元件识别框架,该框架将异构图上的端子关系条件消息传递与先验引导的、基于锚点的主动学习相结合。在五个主要电路中,完整框架在所有端到端对比中均取得了最高的平均F1分数,与所评估的采集策略和端子关系图神经网络基线相比均表现最优。通过仅直接分析30%的…
## 作者贡献
概念化:许聪和迪昌安;方法论:许聪、李华安、斯昕歌和迪昌安;软件:许聪和斯昕歌;验证:许聪、李华安和迪昌安;形式分析:许聪和斯昕歌;调查:许聪和李华安;数据整理:许聪和李华安;原创草稿撰写:许聪;审稿与编辑:李华安、斯昕歌和迪昌安;可视化:许聪和斯昕歌;监督:迪昌安;项目管理:迪昌安
## 资助
本研究未获得外部资助。
## 利益冲突声明
作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。
## 致谢
作者感谢南京理工大学机械工程学院提供开展本研究所需的设施和支持。作者也感谢特种设备效能动态感知与评价中心提供本研究使用的计算资源。
许聪 | 李华安 | 斯昕歌 | 迪昌安
南京理工大学机械工程学院,南京,210094,中国
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号