AutoCkt：模拟电路设计的深度强化学习
信号处理
2020-01-22 v2
摘要
在深缩放 CMOS 中受能量约束的域专用化一直驱动着对片上系统（SoC）敏捷开发的需求。虽然数字子系统拥有从规格到版图易于快速迭代的设计流程，但模拟与混合信号模块面临着漫长的人在中环迭代回路的挑战，该回路需要专家直觉来验证版图后电路参数是否满足原始设计规格。现有的针对给定目标设计规格优化电路参数的自动化方案存在仅限原理图、不准确、样本效率低或不可泛化的局限。本工作提出 AutoCkt，一种使用深度强化学习训练的机器学习优化框架，其不仅为给定目标规格寻找版图后电路参数，还通过稀疏子采样技术获取关于整个设计空间的知识。我们的结果表明，对于多种电路拓扑，AutoCkt 能够在原理图仿真中对至少 96.3% 的测试设计目标收敛并满足所有目标规格，平均比传统遗传算法快 40 倍。使用 Berkeley Analog Generator，AutoCkt 能够在 68 小时内设计出 40 个通过 LVS 的运算放大器，在考虑版图寄生效应时比最先进水平快 9.6 倍。
引用
@article{arxiv.2001.01808,
title = {AutoCkt: Deep Reinforcement Learning of Analog Circuit Designs},
author = {Keertana Settaluri and Ameer Haj-Ali and Qijing Huang and Kourosh Hakhamaneshi and Borivoje Nikolic},
journal= {arXiv preprint arXiv:2001.01808},
year = {2020}
}
备注
Accepted to Design Automation and Test in Europe, 2020. Open-sourced code found at: https://github.com/ksettaluri6/AutoCkt