DNN-Opt：一种受强化学习启发的基于深度神经网络的模拟电路尺寸综合优化方法
机器学习
2021-10-04 v1 信号处理
摘要
在典型设计周期中，模拟电路尺寸综合需要大量人工投入。随着技术的快速发展和进度安排紧凑，引入自动化的尺寸综合方案已引起极大关注。本文提出DNN-Opt，一种受强化学习（RL）启发的基于深度神经网络（DNN）的黑盒优化框架，用于模拟电路尺寸综合。本文的主要贡献是一个新颖的、利用RL actor-critic算法的样本高效两阶段深度学习优化框架，以及一种通过关键器件识别将其扩展至大型工业电路的方案。我们的方法相较于其他黑盒优化方法，在小型构建模块和大型工业电路上均展现出5–30倍的样本效率，且具备更优的性能指标。据我们所知，这是基于DNN的电路尺寸综合在工业级电路上的首次应用。
引用
@article{arxiv.2110.00211,
title = {DNN-Opt: An RL Inspired Optimization for Analog Circuit Sizing using Deep Neural Networks},
author = {Ahmet F. Budak and Prateek Bhansali and Bo Liu and Nan Sun and David Z. Pan and Chandramouli V. Kashyap},
journal= {arXiv preprint arXiv:2110.00211},
year = {2021}
}
备注
Accepted to 58th Design Automation Conference (DAC 2021), 6 pages, 5 figures