融合领域知识的深度学习用于自动化模拟/射频电路参数优化
机器学习
2022-05-18 v2 硬件体系结构
摘要
模拟电路的设计自动化是一个长期存在的挑战。本文提出了一种由图学习增强的强化学习方法，用于在版图前阶段自动化模拟电路参数优化，即寻找满足所需电路规格的器件参数。与所有先前的方法不同，我们的方法受到人类专家的启发，他们依靠模拟电路设计的领域知识（例如电路拓扑和电路规格之间的耦合）来解决该问题。通过将此类关键领域知识独创性地融入使用多模态网络的策略训练中，该方法能够最佳地学习电路参数与设计目标之间的复杂关系，从而在优化过程中做出最优决策。在示例电路上的实验结果表明，它达到了人类水平的设计精度（99%），效率是现有最佳方法的 1.5 倍。我们的方法还对未见过的规格表现出更好的泛化能力，并在电路性能优化方面展现出最优性。此外，它适用于在新兴半导体技术上设计射频电路，打破了先前学习方法在设计传统模拟电路方面的局限性。
引用
@article{arxiv.2204.12948,
title = {Domain Knowledge-Infused Deep Learning for Automated Analog/Radio-Frequency Circuit Parameter Optimization},
author = {Weidong Cao and Mouhacine Benosman and Xuan Zhang and Rui Ma},
journal= {arXiv preprint arXiv:2204.12948},
year = {2022}
}
备注
7 pages, 7 figures. arXiv admin note: substantial text overlap with arXiv:2202.13185