Nov, 2023

基于贝叶斯神经网络的实用布局感知模拟 / 混合信号设计自动化

PDF
TL;DR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。
simulation costanalog/mixed-signal design automationlearning-based algorithmperformance optimizationbayesian neural networks
发现论文，激发创造
  • 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

  • 学习设计满足阈值规范的模拟电路

    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

  • 基于领域知识的深度强化学习自动模拟电路设计

    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

  • RobustAnalog: 多任务强化学习实现快速考虑变异性的模拟电路设计

    RobustAnalog 是一个稳健的电路设计框架，将不同变化下的电路优化作为一组任务，并利用任务之间的相似性和竞争减轻实现了高效的多任务训练，从而可以快速生成满足不同限制条件的电路参数，相比于其他算法，能显著减少 14-30 倍的优化时间，为应对各种实际硅条件提供了可行的方法。

    Jul, 2022

  • AutoCkt: 模拟电路设计的深度强化学习

    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

  • 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

  • 基于模拟的并行训练

    本文介绍一种训练框架，可对机器学习进行科学计算，并通过缓存数据来减轻同时生成数据的时间延迟。实验表明，该框架在多参数 Lorenz 吸引子的测试中成功缓解了数据偏差，从而可以更好地捕捉系统的复杂混沌动态。

    Nov, 2022

  • CircuitVAE：高效且可扩展的潜在电路优化

    自动设计快速且节省空间的数字电路是具有挑战性的，本文介绍了 CircuitVAE 算法，该算法通过将计算图嵌入到连续空间中并通过梯度下降优化学习到的仿真模拟来应对这些挑战，我们的算法具有高样本效率，能够优化大型问题实例并适应高样本预算，测试结果表明 CircuitVAE 在设计大型电路方面表现出色，并能在真实芯片中设计出最先进的加法器，证明了我们的方法在实际环境中能够胜过商业工具。

    Jun, 2024

  • 神经动力学机理模型的灵活统计推断

    本文提出了使用近似贝叶斯计算法 (ABC) 和神经网络来解决单个神经元动态机制模型的建立和参数估计中的挑战，旨在为神经科学家提供一种能够在复杂神经元模型上进行贝叶斯推断的方法。

    Nov, 2017

  • 高效、准确、轻量级的基于高斯局部线性映射的连续仿真推理

    使用结构化概率分布的混合模型，提供了逼真的后验推断，相较于基于神经网络的仿真推断方法，在计算上具有更小的足迹，对于具有复杂模型和难以计算的似然函数的贝叶斯推断提供了一个可行的选择。

    Mar, 2024