Feb, 2024

分布式滤波电路的自动设计和优化采用强化学习

PDF
TL;DR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。
distributed filtering circuitsautomated methodreinforcement learningdesign efficiencycircuit design automation
发现论文，激发创造
  • 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

  • 学习设计电路

    L2DC 是一种基于强化学习的电路设计方法，通过利用无先验知识的 RL agent 优化电路参数并自动生成新电路数据，实现对电路的自动优化，相比于传统的人工设计或贝叶斯优化方法，L2DC 在样本效率和性能上都具有更优的表现。

    Dec, 2018

  • 通过多环境方法加速流控制的深度强化学习策略

    使用深度强化学习（DRL）进行流控制的方法现已提出，文章则针对使用計算流体动力学（CFD）数据训练 DRL 时面临的速度瓶颈进行改进，并提出两种方法以加速其运行：计算流体动力学本身的并行化以及 DRL 算法的并行处理。研究表明，这两种方法的组合可以实现对更复杂流体力学问题的 DRL 研究。

    Jun, 2019

  • 基于模型的深度强化学习加速流体模拟的学习

    深度强化学习在闭环流控问题中应用模拟环境进行优化，通过模型和流模拟样本相互交替训练，有效减少流控应用中的计算时间，尤其对于复杂流模拟有着潜在的巨大节约。

    Feb, 2024

  • 数据中心数字孪生的可持续性与强化学习

    机器学习对数据中心的设计与优化提出了巨大挑战，为了减少能源消耗和碳排放，本研究开发了 DCRL-Green，一个多主体强化学习环境，用于设计数据中心并研究、开发和改进控制器以减少碳足迹。

    Apr, 2024

  • 基于深度强化学习的计算流体力学中主动流控的最佳并行化策略

    通过对深度强化学习（DRL）算法在并行设置中进行优化，提高了非线性活动流控制问题中现有 DRL 框架的效率，并通过对输入 / 输出操作的优化实现了高性能计算架构上的线性扩展，从而获得约 78% 的并行效率和 60 个 CPU 核心加速大约 47 倍的培训过程。

    Feb, 2024

  • DRiLLS: 深度强化学习用于逻辑综合

    提出了一种基于强化学习的方法，自动化优化逻辑综合过程，通过训练 Actor Critic（A2C）智能体来实现无人工干预的设计优化，取得了较好的优化结果。

    Nov, 2019

  • 基于模型的深度强化学习电压控制策略高效学习

    提出了一种基于模型的深度强化学习方法，用于设计短期电压稳定性问题的紧急控制策略，并使用基于深度神经网络 的动态代理模型进行训练，最终在 IEEE 300 总线测试系统上实现了 97.5% 的样本效率和 87.7% 的训练效率。

    Dec, 2022

  • 深度强化学习的量子电路优化

    本研究使用基于强化学习的方法对量子电路进行优化，通过深度卷积神经网络，实现了对于特定架构的任意量子电路的自主学习及优化。对 12 比特电路进行实验得出优化效果，平均深度降低 27％，门数降低 15％，并探讨了方法在近期量子设备上的可行性。

    Mar, 2021

  • 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