基于神经网络的贝叶斯优化方法用于模拟电路综合
机器学习
2019-12-03 v1 系统与控制
系统与控制
机器学习
摘要
以高斯过程为代理模型的贝叶斯优化已成功应用于模拟电路综合。在传统的的高斯过程回归模型中，核函数被显式定义。训练的计算复杂度为 O(N^3)，预测的计算复杂度为 O(N^2)，其中 N 为训练数据个数。高斯过程模型也可从权空间视角导出，其中原始数据被映射到特征空间，核函数定义为非线性特征的内积。本文提出一种基于神经网络的贝叶斯优化方法用于模拟电路综合。我们利用深度神经网络提取良好的特征表示，并基于所提取特征定义高斯过程。采用模型平均方法以改善不确定性预测的质量。与显式定义核函数的高斯过程模型相比，基于神经网络的高斯过程模型能从数据中自动学习核函数，从而可提供更准确的预测，进而加速后续优化过程。此外，基于神经网络的模型具有 O(N) 的训练时间和常数的预测时间。所提方法的效率已通过两个真实世界的模拟电路得到验证。
引用
@article{arxiv.1912.00402,
title = {Bayesian Optimization Approach for Analog Circuit Synthesis Using Neural Network},
author = {Shuhan Zhang and Wenlong Lyu and Fan Yang and Changhao Yan and Dian Zhou and Xuan Zeng},
journal= {arXiv preprint arXiv:1912.00402},
year = {2019}
}