类 Actor-Critic 优化框架能否改进模拟设计优化？
机器学习
2026-03-27 v1 系统与控制
系统与控制
摘要
模拟设计往往速度较慢，因为即使对器件尺寸或偏置进行微小变更，也需要昂贵的仿真循环，并且高质量解决方案通常仅占非常大搜索空间中的一个狭窄区域。虽然现有优化器减少了部分负担，但大多数情况下仍无诸如设计师在决定下一步搜索何处方面的判断。本文提出了一种类 Actor-Critic 优化框架（ACOF），用于模拟设计 sizing，使其将此类指导引入循环。与将优化视为纯黑箱搜索问题不同，ACOF将提议与评估的角色分离：一个 actor 提议设计空间的有前景区域，而一个 critic 则审查这些选择、强制执行设计合法性，并在进展受阻时重新引导搜索。这种结构保持与标准仿真驱动流程的兼容性，同时使搜索过程更加有计划、稳定且可解释。在我们的测试电路上，ACOF 在 top-10 性能指标上平均提高了 38.9%， regret 降低了 24.7%，在单个电路上可实现 70.5% 的 FoM 提升和 42.2% 的 regret 降低。通过将迭代推理与仿真驱动搜索结合，本框架为跨越具有挑战性设计空间的自动化模拟 sizing 提供了更透明的路径。
引用
@article{arxiv.2603.24714,
title = {Can an Actor-Critic Optimization Framework Improve Analog Design Optimization?},
author = {Sounak Dutta and Fin Amin and Sushil Panda and Jonathan Rabe and Yuejiang Wen and Paul Franzon},
journal= {arXiv preprint arXiv:2603.24714},
year = {2026}
}
备注
7 pages, 5 figures