学习设计电路
本研究介绍了基于深度强化学习、图模型策略网络和模拟电路设计领域知识的自动设计方法,以加快模拟电路的设计。该方法在电路参数和设计目标之间建立关系,实现了 99% 的设计准确率和 1.5 倍的效率提升,并支持不同半导体技术的模拟电路设计。
Feb, 2022
利用模拟数据的有监督学习方法生成数据集,通过有监督学习训练系统以设计满足阈值规范的电路,同时通过广泛的实验表明,该方法在线性、非线性和自主电路配置方面的成功率超过 90%,同时提高了数据效率一个数量级以上。
Jul, 2023
提出的自动化方法利用强化学习算法来改善分布式过滤电路(DFCs)的设计,消除了工程师设计经验的依赖,从而显著降低了电路设计的主观性和限制性。实验结果表明,与传统的工程师驱动方法相比,该方法在设计效率和质量上都有明显的改进,特别是在设计复杂或快速演化的 DFCs 时表现出卓越性能。此外,与现有的电路自动化设计技术相比,该方法展现出更高的设计效率,凸显了强化学习在电路设计自动化中的巨大潜力。
Feb, 2024
本文提出了一种名为 AutoCkt 的机器学习优化框架,它能够快速而准确地找到特定目标规格下的电路参数,并通过稀疏子采样技术获取关于整个设计空间的知识。该算法不仅精度高于传统基因算法,而且使用 AutoCkt 设计还能更快地通过 LVS 测试具有版图寄生参数的电路元器件,加快了芯片的设计流程。
Jan, 2020
通过 Python 代码生成的 AnalogCoder 是无需训练的大型语言模型代理,能够自动校正设计模拟电路并以高成功率完成设计,同时还提供电路工具库用于构建复合电路,实验证明 AnalogCoder 在模拟电路设计任务上优于其他基于 LLM 的方法,能够显著提高芯片设计过程的效率。
May, 2024
高成本模拟一直是实际模拟 / 混合信号设计自动化的瓶颈。我们提出了一种基于学习的算法,能够使用少量数据进行训练,因此适用于模拟成本高的任务。我们的高效算法解决了后布局性能优化问题,同时也解决了原理图级别调整问题。为了实现高效优化,我们使用贝叶斯神经网络作为回归模型来近似电路性能。对于布局感知的优化,我们将问题看作多保真度优化问题,并通过利用廉价评估结果的相关性来提高效率。我们提供了三个测试案例来证明我们算法的高效性。测试结果表明,我们的方法比传统基准和先进算法更高效。
Nov, 2023
本文提出了一种称为逻辑电路的新分类模型,并证明其具有符号人工智能的独特起源,该模型通过局部搜索算法实现从数据中得到强有力的模型结构,且其参数学习是凸优化问题。在 MNIST 和时装数据集上,我们的学习算法胜过拥有数量级更多参数的神经网络。
Feb, 2019
本研究介绍了一种自动化设计 VCO 电感的框架,使用强化学习作为方法。在该框架中,我们将问题制定为顺序过程,并使用强化学习代理学习画出特定规格的电感。该框架会连续画出导线段,直到生成完整的电感并满足要求。针对需要在电路设计周期内调整目标规格的需求,我们还开发了一种变体,学习可以快速适应新目标规格的电感。实验结果表明,该框架能够成功生成满足或超出目标规格的 VCO 电感。
Feb, 2022
该研究介绍了使用强化学习和图卷积神经网络实现电路自动设计中的跨电路知识转移并在四种电路中实现了最优 Figures of Merit (FoM) 优化结果的方法,并对使用转移学习的情况进行了评估,证明了知识转移的重要性。
Apr, 2020