本发明涉及电路分析领域，特别涉及一种基于图神经网络技术实现模拟电路分类的方法及系统。
背景技术：
1、随着集成电路设计和制造技术的迅猛发展，集成电路的集成度越来越高，模拟电路的规模也越来越大。对于超大规模集成电路，能集成十万、百万个以上的元器件，由这些器件组成的模拟电路结构也是数以万计。
2、在电路分析领域，工程师需要对模拟电路中的电路结构按照其功能和结构特性进行提取和分类工作，以便后续对电路做进一步的分析。电路整理工程师需要将海量的集成电路进行分类，现有技术是由电路工程师依靠专业的电路学知识对电路结构进行功能性分析，推断出该电路结构所属的电路类型。然而一方面集成电路中的电路类型种类繁多，部分电路类型之间的差异性不大，分类难度较高，另一方面，集成电路中的电路结构多则达到百万数量级别。电路整理工程师处理完全部的电路结构往往需要数月的时间，电路整理效率低，不能满足工期要求。另外，电路整理工作，一方面依赖于电路整理工程师专业的电路学知识，对人才的技术能力有较高的要求，另一方面，大量的电路分类工作由专业的电路工程师完成会导致技术人才的浪费。
3、由于模拟电路结构的类型并不固定，若使用传统算法枚举出所有的电路类型进行类型匹配，当出现传统算法规则中未定义的新的电路结构时，传统算法将无法对其进行归类，算法的泛化性较差，需要不停调整算法。
4、综上所述，电路分析领域急需一种可以更加高效、准确、智能的算法来辅助完成模拟电路的分类工作。
技术实现思路
1、本发明目的是：提供一种基于图神经网络技术实现模拟电路分类的方法及系统，通过图神经网络算法有效地捕捉模拟电路节点和边之间的拓扑结构和特征信息，将其转化为特征表示，最终实现对电路结构进行分类，提高电路整理的效率，提升算法对未见过的电路的分类能力。
2、本发明的技术方案是：
3、一种基于图神经网络技术实现模拟电路分类的方法，包括步骤：
4、s1、预处理模拟电路数据集；
5、s2、设计适合模拟电路分类问题的图神经网络模型结构，对模拟电路进行特征提取和特征更新；
6、s3、使用模拟电路数据集训练搭建好的图神经网络模型；
7、s4、优化图神经网络模型，提升模型性能；
8、s5、用优化好的图神经网络模型对模拟电路的电路结构进行检测和分类。
9、优选的，步骤s1中，预处理模拟电路数据集具体包括：
10、s11、调研模拟电路的电路分类需求背景，确定模拟电路的标准电路单元库；
11、s12、将模拟电路的电路图数据解析为可被模型理解的图数据格式，对图数据的节点特征和边特征进行提取表示；
12、s13、按照标准电路单元库的分类对图数据进行打标签操作，并将数据集划分为训练集、验证集和测试集；
13、s14、采用归一化特征矩阵或邻接矩阵，对图数据进行预处理，以消除数据间的尺度差异和噪声影响。
14、优选的，步骤s2中，设计图神经网络模型结构的方法为：结合模拟电路分类问题的特点，选择适合模拟电路分类问题的图神经网络结构来构建模型，并设置超参数。
15、优选的，步骤s2中，构建的图神经网络模型的特征更新过程为：
16、用和分别表示节点vi和u在t时的节点表征，表示边（vi, u）在t时的边的特征， n(u) 表示与u相邻的节点集合，节点u的消息传递过程描述为：
17、；
18、其中， φ是定义在每条边上的消息函数，是可微分函数，它将边的特征与其两端节点的特征相结合来生成消息， ρ是聚合函数，将所有的边的消息聚合起来处理，是可微分、具有排列不变性的函数， ψ是更新函数，结合聚合后的消息和节点u本身的节点特征来更新节点u的特征；
19、神经网络模型的每一个特征提取层都会对节点的特征和连接的特征按照上述特征更新过程进行更新，实现节点信息的传递和更新；
20、为图神经网络模型设置的超参数，包括学习率、正则化参数。
21、优选的，步骤s2中，构建的图神经网络模型还引入图注意力机制，对图数据进行自适应的权重分配，通过计算节点间的注意力系数，实现对重要节点和边的强调，从而提高分类性能。
22、优选的，步骤s3中，训练搭建好的模型具体包括：使用步骤s1划分得到的训练集对步骤s2构建的图神经网络模型进行训练，使用验证集对图神经网络模型进行调参，选择出最佳模型；将预处理过的训练数据集分批次送入图神经网络模型，执行模型训练操作。
23、优选的，步骤s4中，优化图神经网络模型具体包括：选择准确率、精确率、召回率作为评估指标，评估步骤s3训练好的图神经网络模型在测试集上的表现；参照评估指标的评价结果，调整超参数和图神经网络模型结构，进行模型的优化，进一步提升模型性能。
24、优选的，步骤s5中，对模拟电路的电路结构进行检测和分类具体包括：使用优化好的图神经网络模型，对模拟电路的电路结构进行检测，推断出模拟电路所属的分类类型。
25、一种基于图神经网络技术实现模拟电路分类的系统，系统包括图预处理模块、图神经网络模型和分类结果输出模块，其中：
26、图预处理模块，用于对输入的图数据进行预处理，包括图的规范化、特征提取操作；
27、图神经网络模型，包括图卷积层、图池化层，用于对预处理后的图数据进行特征学习和分类；
28、分类结果输出模块，用于输出图神经网络模型的分类结果。
29、本发明的优点是：
30、本发明基于图神经网络技术实现模拟电路分类的方法，依靠图神经网络的表征学习能力，使用算法实现对电路结构的自动分类，分类准确率在85%以上。此外，对于未包含在标准电路库中的电路，人工往往很难判断其电路类型，而本发明对于这种电路也能够较为准确地判断出其所属分类类型。本发明替代了人工处理模拟电路分类的工作，大大节约了人力成本，提升了电路整理前期工作的效率。
1.一种基于图神经网络技术实现模拟电路分类的方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤s1中，预处理模拟电路数据集具体包括：
3.根据权利要求2所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤s2中，设计图神经网络模型结构的方法为：结合模拟电路分类问题的特点，选择适合模拟电路分类问题的图神经网络结构来构建模型，并设置超参数。
4.根据权利要求3所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤s2中，构建的图神经网络模型的特征更新过程为：
5.根据权利要求4所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤s2中，构建的图神经网络模型还引入图注意力机制，对图数据进行自适应的权重分配，通过计算节点间的注意力系数，实现对重要节点和边的强调，从而提高分类性能。
6.根据权利要求5所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤s3中，训练搭建好的模型具体包括：使用步骤s1划分得到的训练集对步骤s2构建的图神经网络模型进行训练，使用验证集对图神经网络模型进行调参，选择出最佳模型；将预处理过的训练数据集分批次送入图神经网络模型，执行模型训练操作。
7.根据权利要求6所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤s4中，优化图神经网络模型具体包括：选择准确率、精确率、召回率作为评估指标，评估步骤s3训练好的图神经网络模型在测试集上的表现；参照评估指标的评价结果，调整超参数和图神经网络模型结构，进行模型的优化，进一步提升模型性能。
8.根据权利要求7所述的基于图神经网络技术实现模拟电路分类的方法，其特征在于，步骤s5中，对模拟电路的电路结构进行检测和分类具体包括：使用优化好的图神经网络模型，对模拟电路的电路结构进行检测，推断出模拟电路所属的分类类型。
9.一种基于图神经网络技术实现模拟电路分类的系统，采用权利要求1-8任意一项所述的实现模拟电路分类的方法，其特征在于，系统包括图预处理模块、图神经网络模型和分类结果输出模块，其中：
