LabGuardian 论文阅读长笔记 04:从链路预测到可验证的电路图编辑修复
上一篇笔记读了 GNN-ACLP,知道了“端口级电路图 + SEAL 链路预测”可以怎样预测缺失连接。但是继续往前追引用、往后看新工作以后,我发现“下游图推理”至少包含五种不同任务:链路预测、元件补全、图匹配、编辑距离预测和图编辑脚本预测。
它们名字相近,实验指标也经常都出现 AUC、Accuracy 或 GED,但解决的问题并不相同。如果不先分清楚,很容易把“判断一条边是否存在”写成“系统能够修复完整电路”,也容易为了加入 GNN 而替换掉本来更可靠的确定性比较。
这篇是给我自己的阶段性长笔记。我把八篇工作放到同一张路线图中阅读,最后只回答一个问题:
LabGuardian 已经从照片恢复出元件、端子、孔位和网表以后,应该怎样得到可定位、可验证、可解释的接线错误和修复建议?
先记住最终结论
读完这一组论文后,我当前的判断是:
- 有教师参考电路时,确定性图差分应继续作为主要判定器。 已知观测图和目标图,且元件身份大多能对应时,没有必要让神经网络重新猜一个已经可以由规则计算的答案。
- GNN 最适合处理不确定性,而不是取代确定性。 当视觉阶段给出多个 Hole-ID 候选、端子对应不确定或观测网表残缺时,可以让模型对候选编辑排序,再由电气规则和参考图验证。
- 链路预测不等于完整修复。 SEAL 和 GNN-ACLP 主要回答候选边是否应该存在,不能自然覆盖多余连线、极性错误、多故障和整图修复成功率。
- 图相似度或标量 GED 也不等于错误定位。 它们能说明“两张图差多少”,却未必告诉我应该改哪根线、哪一个端子和哪个孔位。
- 真正适合论文主线的是“可验证图编辑”。 系统输出 AddEdge、DeleteEdge、ReassignEdge、SwapPin、ReversePolarity 等结构化操作;每个操作都绑定元件、端子、Hole-ID、electrical node 和视觉证据,并能被规则重新检查。
- 数据划分必须先按基础电路完成,再生成故障。 同一正确电路的不同编辑版本不能被随机分散到训练集和测试集,否则模型可能只是在记忆基础拓扑。
- 近期最应该补的是诊断闭环实验,而不是先堆更多 GNN。 先证明 Hole-ID、网表恢复、错误定位和修复建议的准确率,再把学习模型作为不确定场景下的增强实验。
八篇论文在同一条链路上的位置
| 工作 | 输入 | 主要输出 | 本质任务 | 与 LabGuardian 的直接关系 |
|---|---|---|---|---|
| Circuit Design Completion Using GNNs | 删除一个元件后的元件级网表图 | 元件类别、缺失连接 | 元件补全 + 链路预测 | 是 GNN-ACLP 的直接前身,但图粒度较粗 |
| SEAL | 图和一对候选节点 | 边存在的概率 | 局部子图链路预测 | 可作为候选缺失连接排序基线 |
| GNN-ACLP | 残缺的端口级模拟电路图 | 缺失端口连接 | 电路专用链路预测 | 最接近当前设想的学习型下游方法 |
| Graph Matching Networks | 一对图 | 相似度或相对距离 | 图匹配 / 度量学习 | 可比较观测图与参考图,但不直接输出修改动作 |
| Graph Edit Networks | 当前图及其节点表示 | 一系列节点、边编辑 | 图到图序列预测 | 提供“输出编辑脚本”的形式,但原实验不是电路修复 |
| GNN-based Hierarchical Annotation | SPICE 网表图 | 功能块和基本结构标签 | 节点分类 + 子图同构 | 展示 GNN、VF2 和规则的混合分工 |
| Image2Net | 模拟电路原理图图片 | 结构化网表 | 图像到网表 | 提供端到端图恢复流程和 NED 指标 |
| KCLNet | 模拟电路网表图 | 电路表示、类别、子电路、GED | 物理先验图表征学习 | 启发端口类型、二部图和电学约束,但不输出修复路径 |
这张表最重要的不是模型名字,而是输出形式。只有输出直接对应错误位置和操作,才能进入后续的学生反馈。
先把五个容易混淆的任务分开
1. 链路预测
给定节点对 (u, v),预测是否应该存在边:
1 | |
它适合寻找漏接位置。若观测图中已经多出一条错误边,普通链路预测并不会主动告诉我把它删除。
2. 电路补全
给定删除了一个元件及全部连接的残缺电路,先判断缺了什么元件,再恢复连接。它比单条边预测多了一步元件类别判断,但通常仍假设“只少一个元件”。
3. 图匹配或图相似度学习
输入观测图和参考图,输出相似度、距离或相对排序:
1 | |
它适合检索最相近的参考拓扑,或在多个模板中选择一个候选电路。只有一个已知教师参考图时,单个相似度不足以定位具体错误。
4. 图编辑距离预测
输出从一张图变成另一张图大约需要多少次操作:
1 | |
这个数能反映整体差异,但它没有给出是哪两步。对于反馈系统,“差 2 步”远远不够。
5. 图编辑脚本预测
输出明确的操作序列:
1 | |
这是最接近诊断和修复的形式。但在 LabGuardian 中,如果参考图已知、节点对应也已知,脚本通常可以由确定性差分直接得到;学习模型真正有价值的场景,是节点对应或上游视觉结果存在不确定性。
论文一:Circuit Design Completion Using Graph Neural Networks
它解决什么问题
这篇 2023 年论文是 GNN-ACLP 的直接前身。作者定义了一个电路补全问题:从原始网表中删除一个元件及其所有连接,系统需要预测被删除元件的类别和连接位置。
流程分成两阶段:
1 | |
FEGIN 在 GIN 的图表示上加入 NetLSD 全局图描述符,再进行排序池化和分类。需要注意,FEGIN 负责的是缺失元件类别,连接预测阶段仍然采用 SEAL。
图表示和数据
论文将一个元件视作一个节点,元件之间的连接视作边。这比端口级图简单,却无法区分元件的具体引脚。例如,“MOS 管与电阻相连”没有说明连接的是 Gate、Drain 还是 Source。
数据来自三类网表:LTSpice examples、LTSpice demos 和 KiCad GitHub。实验只保留五种最常见元件类别,还删除了过小、过大或稀有类别样本。链路预测图进一步限制在 5 到 25 个节点。
因此,它证明的是经过明显筛选后的可行性,不是对任意电路元件和任意规模网表的完整覆盖。
主要实验结果
元件类别识别中,FEGIN 的加权 F1 分别为:
| 数据集 | GIN | FEGIN |
|---|---|---|
| LTSpice examples | 92.7 | 93.1 |
| LTSpice demos | 87.9 | 90.0 |
| KiCad GitHub | 66.1 | 67.4 |
FEGIN 相比 GIN 有提升,但幅度有限,而且 KiCad 数据的绝对结果明显更低。
链路预测中,论文用 2-hop SEAL,每次从测试图删除一个节点,重复 10 次并报告平均 AUC:
| 数据集 | 测试图数量 | 平均节点数 | SEAL AUC |
|---|---|---|---|
| LTSpice examples | 217 | 13.52 | 74.74 |
| LTSpice demos | 25 | 16.47 | 61.39 |
| KiCad GitHub | 29 | 11.69 | 75.09 |
这些连接结果不算高,尤其 LTSpice demos 的测试图只有 25 张。
对我的启发和限制
启发是:可以把“缺了什么”和“应该接哪里”分成两个阶段,降低单个模型的任务复杂度。
不能照搬的部分是:
- 只删除一个完整元件,不覆盖多接、错接、错孔和极性错误;
- 元件级图丢失端子角色;
- 经过类别与图规模筛选,不能代表开放场景;
- 只报告候选边 AUC,没有整图修复成功率;
- 论文提到故障诊断潜力,但没有直接完成或评价故障诊断。
论文二:SEAL——为什么围绕候选边提取局部子图
核心想法
SEAL 是通用链路预测方法,不是电路专用模型。对每个候选节点对 (u, v),它不直接只看两个节点的向量,而是提取它们周围的 h-hop 包围子图,再把整个局部子图分类为“存在链接”或“不存在链接”。
1 | |
DRNL 的价值是让模型知道哪些是目标节点,以及其他节点相对两个目标的位置,而不依赖原图中的节点编号。
实验怎样做
原论文在 8 个通用网络数据集上实验,从已有边中取 10% 作为正测试边,再采样相同数量的不存在边作为负测试样本;剩余边用于训练。主要报告 AUC 和 AP,并与 common neighbors、Jaccard、Adamic-Adar、Katz 等启发式方法比较。
论文一般在 1-hop 和 2-hop 间选择。h 增大并不一定更好,因为 3-hop 子图遇到高度节点时可能急剧膨胀,带来内存和采样问题。
对 LabGuardian 最有用的部分
SEAL 提供了一个清晰基线:对每个“端子应该接到哪个 electrical node”的候选,提取局部电路结构并排序。
但数据构造必须改造。通用 SEAL 实验常用正负样本数量相同,而真实电路中不存在的节点对远多于正确连接。如果随机采负样本,很多负例过于简单,模型可能只学会排除明显不合法的组合。
LabGuardian 应该加入困难负样本:
- 同一面包板附近、几何上很像但电气节点不同的孔位;
- 元件类型允许连接、但参考图中不应连接的端子;
- 同一 IC 的相邻引脚;
- 视觉模型置信度相近的 Hole-ID 候选;
- 改动后仍满足简单度数规则、但电路功能错误的连接。
同时必须保留 common neighbors、Jaccard、Adamic-Adar 等简单方法。若简单启发式已经足够,复杂模型没有论文价值上的必然优势。
论文三:GNN-ACLP——端口级电路链路预测
相比前一篇进步在哪里
GNN-ACLP 将元件的不同端口拆成节点,保留端口类型,再用 SEAL、DRNL 和 DGCNN 预测缺失连接。这解决了元件级图不能区分具体引脚的问题。
例如,一个 MOS 元件至少需要区分 Drain、Source、Gate。对 LabGuardian 来说,对应的是:
1 | |
只有保留到端子级,系统才能输出“R1 右端从 E17 改到 E23”,而不是含糊地说“R1 连接错误”。
主要结果与不能直接接受的结论
论文在 SpiceNetlist、Image2Net 和 Masala-CHAI 等数据上报告较高的候选边分类结果。五折实验 Accuracy 分别为 94.04%、97.10% 和 96.42%,对应 ROC-AUC 为 0.9866、0.9979 和 0.9959。
但是,这些数字不能写成“完整电路修复率”:
- 每次只随机删除一个顶点并预测连接;
- 测试集准确率参与 early stopping,结果可能偏乐观;
- Accuracy 会受到正负样本比例影响;
- 没有评价多条编辑同时存在时能否恢复整图;
- 在更稠密的 AnalogGenie 上,SEAL 超过 48 小时未完成;
- 模型输出候选链接,不自然覆盖删除错误边和极性修复。
版本状态更新
我上一篇阅读笔记依据当时的 arXiv 页面,把它记为待发表预印本。现在已经可以确认其正式信息:论文发表于 Engineering Applications of Artificial Intelligence,第 163 卷,文章号 113035,DOI 为 10.1016/j.engappai.2025.113035。
以后写 Related Work 应使用正式发表信息,而不是继续写“仅有预印本”。
论文四:Graph Matching Networks——两张图一起推理
它与普通图嵌入的区别
普通图嵌入模型先独立编码两张图,再在向量空间计算距离。Graph Matching Networks(GMN)则在每一轮消息传递中加入跨图注意力,让一张图的节点主动寻找另一张图中最相近的节点。
1 | |
这种机制对“参考图与观测图的局部差异”很有吸引力。若两张图基本匹配,跨图差异向量趋近于零;不匹配节点则在传播中被放大。
实验说明了什么
论文先在随机图上构造不同数量的边替换,用 pair AUC 和 triplet accuracy 评价相似度排序。随后在二进制程序控制流图上训练函数相似度模型:同一函数经不同编译器和优化级别得到的图应相似,不同函数应不相似。
二进制函数数据包含 7940 个函数,每个函数约 8 张控制流图,按函数做 80%/10%/10% 的训练、验证和测试划分。论文的 GMN 在该任务上达到 99.28 pair AUC 和 99.18 triplet accuracy,也优于独立图嵌入和 Siamese 模型。
为什么它不是修复器
GMN 输出的是相似度或排序,不是修改位置和编辑脚本。跨图注意力可以作为对应关系的线索,却不能直接当成具有电气意义的端子匹配真值。
它的计算量还包含所有跨图节点对,单层大约为 O(|V1||V2|)。因此更适合:
- 从多个参考电路模板中先检索相似候选;
- 对少量候选图做精排;
- 在节点身份不明确时辅助建立对应;
- 作为“学习型图相似度”对比实验。
对于 LabGuardian 当前“教师已指定参考电路”的场景,直接做确定性映射与图差分通常更清楚、更快,也更容易解释。
论文五:Graph Edit Networks——输出图编辑,而不是一个分数
它真正贡献了什么
Graph Edit Networks(GEN)提出一种面向图到图预测的输出层。模型不只输出类别或标量,而是预测一系列局部编辑,包括:
- 节点插入;
- 节点删除;
- 节点属性替换;
- 边插入;
- 边删除。
这种输出形式与“修复建议”最接近,因为每一步都可以被人理解和执行。
论文证明:如果训练时知道两张图节点集合之间的映射,就可以构造监督编辑序列;若映射最优,得到的脚本会接近最短图编辑路径。
为什么不能直接把它写成电路修复依据
原论文做的是图动态系统的下一状态预测,实验主要是 edit cycles、degree rules、Game of Life 和树结构等概念验证任务。它没有在电路网表、面包板故障或已知参考电路上评价。
更关键的是,GEN 的训练需要节点映射。对 LabGuardian 来说,真正困难的往往正是:
- 视觉漏检后,观测图与参考图的元件是否还能一一对应;
- 两个外观相同的电阻怎样确定身份;
- IC 旋转后引脚编号是否稳定;
- 一个端子有多个 Hole-ID 候选时采用哪个映射。
如果这些对应关系已经确定,那么参考图差分本身就能产生编辑脚本,不必再用模型猜。
因此,GEN 对我的主要价值是定义输出接口,而不是直接成为当前主模型。我可以借鉴它的“编辑序列”思路,但编辑类型要改成电路语义:
1 | |
论文六:GNN-based Hierarchical Annotation——学习与规则怎样分工
方法主线
这篇 TCAD 论文输入 SPICE 网表,输出电路层次结构。作者把结构分为:
1 | |
功能子块可能有大量拓扑变体,例如 OTA、LNA、Mixer 和 Oscillator,因此用 GNN 做近似子图识别和节点分类;基本结构变化较小,例如差分对和电流镜,因此用模板库、VF2 子图同构和图规则精确识别。
这套分工非常值得记住:
变化多、边界模糊的部分交给学习;结构稳定、可以形式化的部分交给确定性算法。
电路图表示
论文采用“元件节点 + net 节点”的二部多重图,不同边类型表示晶体管 Drain、Gate、Source 和无源器件端口。这比把元件直接互连成普通图更能保留电路端口语义。
数据集包含:
| 数据集 | 电路数 | 总节点数 | 标签数 | 特征数 |
|---|---|---|---|---|
| OTA-bias | 1026 | 52346 | 2 | 18 |
| RF-data | 2597 | 77918 | 2、3 或 4 | 18 |
训练/验证采用 80%/20% 划分,并做五折交叉验证。最佳 GraphSAGE+ 在 OTA-bias 和 RF-data 上的 F1 分别为 92.31 和 90.11。作者还在未进入训练的 OTA、Receiver 变体,以及更大的手工电路系统上测试。
在 928 节点的 phased array 上,GraphSAGE+ 原始 F1 为 0.87,规则后处理后 F1-p 为 0.98。其他许多测试电路经后处理达到 1.00。推理运行时间为毫秒级。
我应该怎样解读“后处理接近 100%”
这不是“纯 GNN 达到 100%”,而是 GNN 预测后加入了 channel-connected component 等电路规则。论文恰好说明:规则不是模型失败后的临时补丁,而是完整系统的一部分。
同时也要保持谨慎:后处理规则围绕已知模拟 IC 结构设计,测试集数量有限;扩展到新类别仍需要人工整理训练集和模板库。论文结论也承认,新增电路块的主要成本是费力的数据标注。
对 LabGuardian 的直接启发
可以采用相同的职责边界:
1 | |
这比“用 GNN 端到端输出诊断”更容易建立证据链。
论文七:Image2Net——怎样评价图像到网表
为什么它与我的上游非常相关
Image2Net 的目标是把模拟电路原理图图片转换成网表。它不是面包板照片,但完整展示了从视觉检测到图结构输出的流程:
1 | |
作者开放的数据包含 2914 张完整电路图、84195 个总标注、48930 个元件标注,并保留 104 个经过人工核验的图像—网表评估对。覆盖 22 种元件类型和多种交叉样式。
NED 指标
作者将预测网表和真值网表转成异构图,再计算图编辑距离 GED。节点包括元件和 net,边类型表示具体端口。节点或边的插入、删除、替换成本都设为 1。
归一化形式为:
1 | |
NED 越低越好。表格报告:
| 方法 | Successful Rate | 平均 NED |
|---|---|---|
| Image2Net | 80.77% | 0.116 |
| AMSNet | 35.58% | 0.306 |
| CHAI | 46.15% | 0.382 |
一个需要记录的论文内部不一致
实验正文中出现了“平均 NED 为 0.659”的句子,但同页表格、摘要和结论都写 0.116,且 0.116 与整体比较和分布图一致。因此我把 0.659 视为正文笔误,引用时采用 0.116,并在自己的记录中保留这个核对过程。
NED 能做什么,不能做什么
NED 比只评价元件检测 mAP 更接近最终结构目标,适合 LabGuardian 报告完整网表恢复质量。但它仍不是错误诊断指标:
- 单位成本把不同电气严重程度的错误等价处理;
- 只给整体距离,不给修复顺序和具体位置正确率;
- 精确 GED 一般计算困难,论文为每个样本设置了最长 2 小时计算预算;
- 104 个核验样本仍然不大;
- 原理图导线追踪与物理面包板 Hole-ID 映射是不同视觉问题。
所以 NED 可以作为辅助整图指标,但不能取代端子到 Hole-ID、网表边和诊断操作的分项评价。
论文八:KCLNet——把电学先验放进图表示
图表示和物理先验
KCLNet 采用“器件节点 + net 节点”的二部图,边类型表示不同 pin。作者进一步根据从电压源到地的电流方向,将电路图转换成有向无环图,并沿深度异步传播消息。
对比学习目标受到 Kirchhoff 电流定律启发:在不同深度保持流入与流出表示的一致性,同时通过节点遮挡等方式构造电气不一致的负样本。
下游实验
论文评价三个任务:
- 电路分类;
- 子电路检测;
- 图编辑距离预测。
KCLNet 在分类中达到 Acc@1 0.949、F1 0.853;在子电路检测中达到 mAP 0.622、F1 0.753、IoU 0.634。消融实验说明 KCL 目标和异步传播都贡献了结果。
GED 任务则将一对图编码后回归一个标量编辑距离,使用 MAE/MSE 评价。它没有恢复最优编辑路径,也没有输出错误端子位置。
版本状态更新
KCLNet 已正式发表于 AAAI-26,而不应只记作 arXiv 新预印本。正式页面给出的信息为 Proceedings of the AAAI Conference on Artificial Intelligence,40(2),1355–1363。
为什么不能直接搬到面包板
KCLNet 面向模拟 IC,并依赖 DC 电流方向、已知电压源和地、从电源到地的 DAG 化过程。面包板学生电路可能:
- 接线错误导致断路或不满足预期方向;
- 包含交流或动态器件;
- 缺少可靠的电源/地识别;
- 视觉阶段本身就不确定;
- 拓扑很小,训练数据远少于论文数据。
因此,KCLNet 对我最有价值的是三个思想:二部图、端口类型和物理约束负样本。是否采用完整 KCLNet 架构需要单独验证,不能因为名字带 KCL 就默认适合所有面包板任务。
横向比较:我到底应该借哪一部分
| 方法 | 能处理漏接 | 能处理多接 | 输出具体位置 | 输出完整编辑 | 使用参考目标图 | 主要风险 |
|---|---|---|---|---|---|---|
| SEAL | 是 | 否 | 候选边级 | 否 | 不需要 | 负样本过易、子图膨胀 |
| GNN-ACLP | 是 | 不直接 | 端口候选级 | 否 | 不需要 | 单顶点删除不等于整图修复 |
| GMN | 间接 | 间接 | 注意力只能作线索 | 否 | 一对图 | 只给相似度,计算为跨图节点对 |
| GEN | 是 | 是 | 是 | 是 | 训练需要目标和映射 | 原任务是图动态,节点映射本身很难 |
| 层次标注混合框架 | 不做修复 | 不做修复 | 输出结构标签 | 否 | 模板库用于局部 | 类别扩展需要标注和规则维护 |
| Image2Net NED | 反映差异 | 反映差异 | 否 | 否 | 需要真值网表 | GED 成本高,单位编辑代价过粗 |
| KCLNet GED | 反映差异 | 反映差异 | 否 | 否 | 训练需图对标签 | 标量距离不是修复,物理假设有限 |
| 确定性参考图差分 | 是 | 是 | 是 | 是 | 需要 | 节点对应与上游视觉错误 |
对当前 LabGuardian,最后一行反而最重要。学习方法不是越靠后越高级,而是必须与任务条件匹配。
LabGuardian 应采用什么图表示
方案 A:端口节点图
每个元件端子是节点,电气连接是边。优点是直接贴近 GNN-ACLP,候选链接定义简单;缺点是一个 electrical node 中多个端子的共同连接可能需要展开成大量边。
方案 B:元件—电气节点二部多重图
1 | |
边表示“某元件的某个端子连接到某 electrical node”,边类型保存 terminal type。这个表示更接近 Image2Net、层次标注论文和 KCLNet,也避免把一个多端连接网展开成完全图。
我当前更倾向方案 B:
- 元件节点保存类别、方向、极性和检测证据;
- net 节点保存面包板 electrical_node_id;
- 边类型保存 terminal_id / terminal_type;
- hole_id 作为观测证据附在边上;
- 一个端子存在多个 Hole-ID 候选时,保留候选分布而不是立即硬选一个。
这里必须分清:
1 | |
诊断比较最终作用于 electrical node,但反馈必须回到具体 hole_id,学生才知道应该移动到哪里。
我认为最合理的下游系统
1 | |
确定性模块负责什么
- 已知元件和端子的匹配;
- expected edge 与 observed edge 的集合差;
- VF2 或约束匹配;
- 面包板孔组连通规则;
- 端口数量、极性和 IC pin 合法性;
- 应用候选编辑后是否与参考图一致;
- 正确电路是否保持“不修改”。
学习模块负责什么
- 多个 Hole-ID 候选排序;
- 外观相同元件之间的对应排序;
- 上游漏检时的候选缺失端子或元件;
- 多个同样能降低图差异的编辑中,选择更符合局部电路先验的一项;
- 无参考电路探索场景下的连接合理性评分。
LLM 负责什么
LLM 不判断电路对错,只接收已经验证的结构化结果,例如:
1 | |
然后把它转成“R1 右端目前插在 E17,请移动到与 N23 相连的 E23 或 F23”。这样才能评价反馈是否忠于证据、是否指出具体位置、是否出现幻觉。
下一阶段实验应该怎样做
实验 1:先做 Oracle 图推理上限
完全绕过视觉,直接使用人工标注的观测网表和参考网表:
1 | |
评价确定性图差分是否能正确处理漏接、多接、错接、引脚交换、极性错误和多故障。这一步如果不成立,后面加入视觉或 GNN 都没有意义。
实验 2:逐级放开上游误差
至少报告三层:
| 层级 | 输入 | 要回答的问题 |
|---|---|---|
| Oracle-Graph | 真值网表 | 图诊断逻辑的上限是多少 |
| Oracle-Hole | 真值 Hole-ID + 自动网表 | electrical node 和网表恢复是否正确 |
| End-to-End | 照片全自动输出 | 实际系统最终能修对多少电路 |
如果条件允许,再加入真值元件框、真值关键点等中间层。这样能定位性能损失来自检测、Hole-ID、网表恢复还是图推理。
实验 3:按基础电路划分后再生成故障
正确流程:
1 | |
错误流程:
1 | |
后一种会严重高估泛化能力。面包板、拍摄背景和搭建者也应该分组,最终保留不同人独立搭建的真实故障测试集。
实验 4:建立逐级基线
1 | |
B1 应是主基线。B5 是我认为最符合实际系统的学习增强方法。GEN 可以作为未来的编辑脚本模型参考,但当前数据量不足时不应强行加入。
实验 5:指标必须直接对应诊断闭环
候选层指标:
- Hits@1 / Hits@3 / Hits@5;
- MRR;
- 候选编辑 Precision、Recall、F1;
- 不同错误类型的分类别结果。
位置层指标:
- terminal 定位准确率;
- observed hole 准确率;
- expected electrical node 准确率;
- 可替代 hole 集合命中率。
整图层指标:
- Exact Netlist Match;
- Exact Repair Rate;
- 应用所有建议后与参考图同构的比例;
- 多故障全部修复率;
- 正确电路误报率和误修改率;
- NED / GED 作为辅助距离指标。
拒绝与不确定性指标:
- accepted precision;
- coverage;
- 风险—覆盖率曲线;
- 在不同置信度阈值下的错误建议率。
教育反馈指标:
- 是否指出正确元件;
- 是否指出正确端子和孔位;
- 建议是否可执行;
- 是否引入结构化证据之外的信息;
- 教师评分和学生有效性评分。
实验 6:分类别报告
至少分为:
- missing connection;
- extra connection;
- wrong electrical node;
- swapped pins;
- reversed polarity;
- missing component;
- extra component;
- single fault / multiple faults。
还要按元件类型分开报告,特别关注跳线、IC、极性元件和旋转后容易漏检的类别。一个统一的总体 Accuracy 很容易掩盖最关键的失败模式。
当前论文方向的取舍
近期应该作为主贡献的内容
- 面包板端子到 Hole-ID 和 electrical node 的可靠映射;
- 从检测结果恢复端口级网表;
- 与参考电路的确定性图比较;
- 可定位、可执行的结构化图编辑诊断;
- 从 Oracle 到端到端的分层实验;
- 基于证据的 LLM 教学反馈评价。
可以作为增强或消融的内容
- SEAL 风格的候选连接排序;
- GMN 风格的跨图节点对应;
- KCL/端口类型等物理先验;
- 不确定条件下的学习型候选编辑重排。
暂时不应成为核心叙事的内容
- 在只有六种基础电路时训练复杂端到端图编辑网络;
- 用标量 GED 代替错误定位;
- 把候选边 AUC 写成完整电路修复率;
- 为了显得“用了 AI”而替换确定性参考图判定;
- 只在合成错误上验证,不保留学生真实搭建测试集。
这一组论文暴露出的常见实验陷阱
陷阱 1:训练测试泄漏
同一基础电路的多个编辑版本跨集合出现,或者用测试集 Accuracy 做 early stopping,都会让结果偏乐观。
陷阱 2:负样本过于简单
随机选一个遥远、不可能连接的节点作为负例,模型无需理解电路就能判断。应使用几何接近、端口类型合法但电气错误的困难负样本。
陷阱 3:把局部分类当成整图成功
单条边 Accuracy 很高,不代表所有边同时预测后整张网表正确。必须报告 Exact Repair Rate。
陷阱 4:距离正确但位置错误
模型可能正确预测 GED=1,却不知道是哪条边。教育反馈需要位置级指标。
陷阱 5:后处理贡献被隐藏
如果最终结果依赖规则修正,要分别报告模型原始输出和规则后结果,并做消融,而不能全部归功于 GNN。
陷阱 6:只在正确候选必然存在时评价
真实系统中可能因为元件漏检或 Hole-ID 全错,正确修复根本不在候选集合。需要分别报告 candidate recall 和候选集合内排序表现。
给我自己的执行清单
图数据与真值
- [ ] 固定元件、端子、hole 和 electrical node 的唯一标识;
- [ ] 确定二部多重图 schema;
- [ ] 为每个正确电路保存标准参考网表;
- [ ] 为错误电路保存最小编辑脚本真值;
- [ ] 记录每条边对应的视觉证据和置信度;
- [ ] 明确一个 electrical node 对应的所有等价孔位。
数据扩展
- [ ] 增加独立基础电路类型,而不是只增加照片;
- [ ] 增加不同面包板、相机、角度、背景和搭建者;
- [ ] 先划分基础电路,再生成合成故障;
- [ ] 保留学生真实搭建的单故障和多故障测试;
- [ ] 统计每种元件、端子和错误类型数量。
诊断实现
- [ ] 完成 expected 与 observed 图的稳定节点对应;
- [ ] 实现 Add、Delete、Reassign、Swap、Reverse 等编辑;
- [ ] 编辑应用后重新验证参考图一致性;
- [ ] 正确电路必须输出空编辑集;
- [ ] 不确定时允许拒绝,不强行给错误建议。
实验
- [ ] 先跑 Oracle-Graph;
- [ ] 再跑 Oracle-Hole;
- [ ] 最后跑 End-to-End;
- [ ] 加入确定性、启发式、SEAL 和混合基线;
- [ ] 报告分类别、位置级、整图级和拒绝指标;
- [ ] 单独报告正确电路误修改率;
- [ ] 对规则后处理和学习排序做消融。
LLM 反馈
- [ ] 只允许读取结构化诊断证据;
- [ ] 输出中必须包含元件、端子和孔位;
- [ ] 检查是否错误扩展为未验证的电路解释;
- [ ] 由教师评价正确性和可执行性;
- [ ] 由学生评价是否易懂、是否有帮助。
下一轮阅读顺序
如果继续深入,我不会再无序寻找“更多 GNN”,而按当前阻塞点阅读:
- 节点对应与图差分:VF2、GED、带属性图匹配、约束匹配;
- 图编辑监督:如何从图对生成唯一或等价的最小编辑脚本;
- 不确定图推理:候选图、概率图和 selective prediction;
- 电路故障数据生成:怎样构造物理合理而不是随机的 hard negatives;
- 教育反馈评价:结构化诊断到自然语言反馈的事实一致性和用户研究。
其中优先级最高的不是复现 GEN,而是把 LabGuardian 自己的参考网表差分、错误 taxonomy 和评估协议定下来。它们既是确定性系统的基础,也是将来训练图模型时的标签来源。
最后的阶段判断
这一组论文让我确认:我的下游方向确实可以称为图推理,但最准确的研究对象不是笼统的“用 GNN 识别电路”,而是:
从带视觉不确定性的观测网表出发,与参考电路进行端口级对齐,生成可验证的电路图编辑,并将结构化证据转化为教学反馈。
SEAL 和 GNN-ACLP 提供候选连接学习方法,GMN 提供跨图比较思路,GEN 提供编辑脚本接口,Image2Net 提供网表级距离指标,KCLNet 提供电学先验,层次标注论文则告诉我怎样让 GNN、VF2 和规则各自负责最擅长的部分。
真正属于 LabGuardian 的贡献,不是把这些模型拼成一个排行榜,而是完成这条证据链:
1 | |
只要这条链路能用分层实验闭环证明,即使学习模型只作为不确定候选排序器,论文也会比单纯比较 YOLO 或 GNN 型号更完整、更有说服力。
原始论文与官方页面
- Said et al., Circuit Design Completion Using Graph Neural Networks, Neural Computing and Applications, 2023.
- Zhang and Chen, Link Prediction Based on Graph Neural Networks, NeurIPS 2018.
- Pan et al., Graph Neural Networks Based Analog Circuit Link Prediction, Engineering Applications of Artificial Intelligence, 2026.
- Li et al., Graph Matching Networks for Learning the Similarity of Graph Structured Objects, ICML 2019.
- Paaßen et al., Graph Edit Networks, ICLR 2021.
- Kunal et al., GNN-based Hierarchical Annotation for Analog Circuits, IEEE TCAD, 2023.
- Xu et al., Image2Net: Datasets, Benchmark and Hybrid Framework to Convert Analog Circuit Diagrams into Netlists, arXiv, 2025.
- Xu et al., KCLNet: Electrically Equivalence-Oriented Graph Representation Learning for Analog Circuits, AAAI 2026.