Aug, 2023

应用拉格朗日乘子的受限贝叶斯优化在功率晶体管设计中的应用

PDF
TL;DR提出一种新颖的受限贝叶斯优化（BO）算法，用于优化侧向扩散金属氧化物半导体（LDMOS）晶体管的设计过程，实现目标击穿电压（BV）。通过引入拉格朗日乘子，将受限 BO 问题转化为传统 BO 问题，并将拉格朗日函数设置为 BO 的目标函数。利用具有可变拉格朗日乘子的自适应目标函数，可以解决需要耗费昂贵评估的约束 BO 问题，无需额外的替代模型来近似约束条件。该算法使设备设计师能够在设计空间中设置目标 BV，并自动获得满足优化 FOM 和目标 BV 约束的设备。利用该算法，还在定义的设计空间内探索了 30-50V 范围内设备 FOM 的物理限制。
constrained bayesian optimizationlaterally-diffused metal-oxide-semiconductor (ldmos) transistorsbreakdown voltagefigure-of-merit (fom)lagrange multiplier
发现论文，激发创造
  • ADO-LLM: 基于上下文学习的模拟设计贝叶斯优化

    ADO-LLM 整合了大型语言模型与贝叶斯优化用于模拟设计优化，利用大型语言模型的领域知识并结合贝叶斯优化的多样性和探索能力实现了设计效率和效果的显著提升。

    Jun, 2024

  • LLM 增强的贝叶斯优化用于高效模拟布局约束生成

    该论文介绍了一种名为 LLANA 的框架，利用大型语言模型来增强 Bayesian Optimization（BO）技术，通过利用 LLM 的 few-shot learning 能力更高效地生成与模拟设计相关的参数约束，从而实现与最先进的 BO 方法相媲美的性能，并且通过 LLM 的文本理解和学习效率更有效地探索模拟电路设计空间。

    Jun, 2024

  • 输入噪声下的稳健多目标贝叶斯优化

    本文提出了一种新的多目标贝叶斯优化方法，旨在解决存在输入噪声的多目标优化问题，通过优化多维风险价值 (MVaR) 来产生适应噪声并能够满足多个指标要求的最优设计。

    Feb, 2022

  • 混合限制条件下带松弛变量增广 Lagrangian 的贝叶斯优化

    介绍了一种基于松弛变量的增广 Lagrangian 方法，用于优化包括等式和不等式约束的问题。该方法可以用库例程计算 EI，与传统方法相比表现优异。

    May, 2016

  • 基于贝叶斯优化的多目标混合变量问题

    本研究提出了一种混合变量、多目标贝叶斯优化框架 MixMOBO，可高效找到混合变量设计空间的最优帕累托前沿，同时确保多样解，结果表明 MixMOBO 在合成问题上表现良好。

    Jan, 2022

  • 利用局部高斯过程限制搜索维度的贝叶斯优化

    通过限制搜索维度并利用本地高斯过程回归（LGPR）将贝叶斯优化（BO）扩展到更高维度，提高了预测准确性、搜索效率和高斯过程回归中的时间复杂度。在 20D Ackley 和 Rosenbrock 函数的评估中，搜索效率相比其他方法提高了约 69% 和 40%，并将该方法应用于功率半导体器件的自动设计任务，成功将特定导通电阻降低到传统方法的 25％以及没有 LGPR 的情况下的 3.4％。

    Mar, 2024

  • 双动量方法用于下层约束双层优化

    通过利用非光滑隐函数定理，提出一种新的双层约束双目标函数优化的超梯度方法，并基于双动量方法和自适应步长方法提出了一种单循环单时间尺度算法，经证明它可以返回一个（δ，ε）- 稳定点，迭代次数约为 O (d2^2ε^-4)，在两个应用上的实验证明了该方法的有效性。

    Jun, 2024

  • 工程设计中的多保真贝叶斯优化

    综述了多保真优化与贝叶斯优化相交的领域中 MF BO 的最新发展，包括高斯过程为基础的 MF 代理模型和不同的采集函数，并探讨了多保真优化在约束优化、高维优化、不确定性优化和多目标优化中的应用。

    Nov, 2023

  • 自由电子激光器的贝叶斯优化

    本文采用贝叶斯方法和高斯过程对 Linac Coherent Light Source 中的多极磁铁进行优化，通过对少量样本的控制参数建立概率模型并加入设备间的关联，成功实现了高效的优化策略。

    Sep, 2019

  • 通过潜在决策模型的隐藏约束贝叶斯优化

    这篇论文介绍了一种名为 Hidden-Constrained Latent Space Bayesian Optimization (HC-LSBO) 的新型贝叶斯优化方法，它集成了潜在决策模型，并利用可变自编码器学习可行决策的分布，从而实现原始决策空间与较低维潜在空间的双向映射。通过这种方式，HC-LSBO 捕捉了公共政策制定中固有的隐藏约束的微妙差别，允许在潜在空间进行优化，同时在原始空间中评估目标。我们通过在合成和真实数据集上进行数字实验验证了这种方法，具体关注了乔治亚州亚特兰大的大规模警区划问题。我们的结果显示，与基线相比，HC-LSBO 在性能和效率方面均有显著改进。

    Oct, 2023