BagNet：结合布局优化器并借助深度神经网络增强的伯克利模拟发生器
信号处理
2019-07-25 v1 机器学习
神经与进化计算
摘要
由于布局寄生参数的主导影响，模拟设计中后布局与原理图仿真结果之间的差异持续扩大。这种范式转变迫使设计者采用将布局效应无缝集成到标准设计流程中的设计方法。因此，任何基于仿真的优化框架都应考虑耗时的后布局仿真结果。本工作提出了一种学习框架，该框架利用深度神经网络（DNN）在运行仿真前对生成的样本进行判别，从而学会减少基于进化的组合优化器的仿真次数。使用该方法，判别器在包括光链路接收器布局在内的多个大型电路示例中实现了至少两个数量级的样本效率提升。
引用
@article{arxiv.1907.10515,
title = {BagNet: Berkeley Analog Generator with Layout Optimizer Boosted with Deep Neural Networks},
author = {Kourosh Hakhamaneshi and Nick Werblun and Pieter Abbeel and Vladimir Stojanovic},
journal= {arXiv preprint arXiv:1907.10515},
year = {2019}
}
备注
Accepted on ICCAD 2019 Conference