PulseAugur
中
实时 17:56:37
English(EN) Learning Structural Manipulability in Gate-Level Netlists Using Graph Neural Networks

图神经网络学习硬件设计的结构可操纵性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种量化门级网表结构可操纵性的方法，门级网表是硬件设计的基础。该分数通过分析网表图结构中的路径参与度、k-core嵌入、对称性和中心性来表征节点级灵活性。利用图神经网络学习该分数，在ISCAS85和EPFL基准测试上的实验表明，分层模型提供了最一致的排名。该方法还通过识别Trojan注入电路中不同的结构模式，展示了其效用，为功能分析提供了补充视角。 AI

影响 这项研究通过将图神经网络应用于网表的结构属性，为分析硬件安全和设计提供了一种新方法。

排序理由 学术论文，详细介绍了使用图神经网络分析硬件网表的新方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

图神经网络学习硬件设计的结构可操纵性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Rupesh Raj Karn, Ozgur Sinanoglu ·

    使用图神经网络学习门级网表中的结构可操作性

    arXiv:2607.16245v1 Announce Type: cross Abstract: Gate-level netlists exhibit intrinsic structural properties that influence signal propagation independently of functional simulation. We define a topology-driven structural manipulability score that characterizes node-level struct…

相关实体

相关话题