基于深度强化学习的 DRAM 均衡器参数优化：使用潜在表示
机器学习
2025-07-04 v1
摘要
高速动态随机存取存储器系统中信号完整性的均衡器参数优化至关重要,但往往计算昂贵或依赖模型。本文引入一种数据驱动框架,利用学习的潜在信号表示实现高效的信号完整性评估,并配合无模型化的 Advantage Actor-Critic 强化学习智能体进行参数优化。潜在表示捕获关键信号完整性特征,为优化期间直接眼图分析提供快速替代方案,而强化学习智能体无需明确系统模型即可导出最优均衡器设置。应用于行业标准的动态随机存取存储器波形时,该方法实现了显著的眼开窗口面积改进:对于级联 Continuous-Time Linear Equalizer 和 Decision Feedback Equalizer 结构,改进了 42.7%;对于仅采用 Decision Feedback Equalizer 的配置,改进了 36.8%。这些结果表明该方法在计算效率和鲁棒性方面优于现有技术,并在多样化的动态随机存取存储器单元上实现了优异的泛化。核心贡献包括用于优化的高效潜在信号完整性指标、稳健的无模型化强化学习策略以及针对复杂均衡器架构的验证优异性能。
引用
@article{arxiv.2507.02365,
title = {Deep Reinforcement Learning-Based DRAM Equalizer Parameter Optimization Using Latent Representations},
author = {Muhammad Usama and Dong Eui Chang},
journal= {arXiv preprint arXiv:2507.02365},
year = {2025}
}