Jun, 2024

LLM 增强的贝叶斯优化用于高效模拟布局约束生成

PDF
TL;DR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。
analog layout synthesisbayesian optimizationllana frameworklarge language modelsanalog circuit design
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

  • 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

    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

  • 大型语言模型用于增强贝叶斯优化

    LLAMBO 是一种将大型语言模型（LLM）与贝叶斯优化（BO）结合的方法，通过在自然语言中提出有前景的解决方案，利用上下文理解、少样本学习能力和 LLM 的领域知识来增强基于模型的 BO 的各个组件，特别是在稀疏的观测阶段，LLAMBO 在零样本热启动、代理模型和候选样本的改进方面表现出有效性。

    Feb, 2024

  • 对于材料探索，理性看待 LLMs：它们是否适用于分子的贝叶斯优化？

    大型语言模型在分子空间中进行 Bayesian 优化的实验表明，只有通过预训练或领域特定数据的微调，才能使 LLMs 对于分子的 Bayesian 优化具有实用性。

    Feb, 2024

  • 贝叶斯优化中线性 Laplace 的优点与缺陷

    本文研究了线性化 - Laplace 近似在贝叶斯优化中的应用，探究了它在序列决策问题上的效用和灵活性，同时强调了可能出现的问题和局限性。

    Apr, 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

    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。

    Aug, 2023

  • BOLAA：基准测试和编排 LLM 增强的自主代理

    大型语言模型（LLM）的巨大成功鼓舞了 LLM 增强型自主代理（LAA）的出现。LAA 能够使用其核心 LLM 生成动作并与环境交互，可以通过将过去的交互（包括观察和动作）作为条件来解决复杂任务的能力。我们提供了一个关于代理体系结构和 LLM 骨干的全面比较，同时提出了一种新的策略来编排多个 LAA，使得每个工作代理集中于一种类型的动作，即 BOLAA，其中一个控制器管理多个代理之间的通信。我们在决策制定和多步推理环境中进行了模拟，全面证明了 LAA 的能力。我们的性能结果量化地为设计 LAA 架构和 LLM 的最佳选择以及两者的兼容性提供了建议。我们将 LAA 的实现代码公开发布在 https://github.com/salesforce/BOLAA。

    Aug, 2023

  • 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

  • 大型语言模型（LLM）用于标准单元布局设计优化

    提出了一种新颖高效的方法，结合人工设计专家的经验，利用大规模语言模型（LLM）的自然语言和推理能力，以 ReAct 提示为支持，逐步优化细胞布局的性能、功耗和面积（PPA），并调试布线可行性。在 2nm 的顺序标准电池基准上，所提出的方法不仅能够减小平均细胞面积 4.65％，还能够修复布局设计中的可调度性问题。

    May, 2024

  • 使用去噪自编码器加速生物序列设计的贝叶斯优化

    LaMBO 是一种新的 Bayesian optimization 方法，采用了联合训练的方法，结合 Denoising Autoencoder 和多任务 Gaussian Process Head 进行多目标优化，以实现在离散高维空间中进行生物序列设计。

    Mar, 2022