GLOVA：基于风险敏感强化学习的全局和局部变动感知模拟电路设计

模拟/混合信号电路设计由于受工艺、电压和温度（PVT）变动的性能降低面临重大挑战。要实现商业级可靠性，需要进行迭代的人工设计修订和大量统计仿真。虽然已有多项研究旨在自动化变动感知模拟设计以缩短上市时间，但针对实际晶圆中显著不匹配问题的深入研究仍不充分。本文提出了 GLOVA（Global and Local Variation-Aware），一种有效管理多样化随机不匹配影响以提高对 PVT 变动鲁棒性的模拟电路尺寸框架。在所提方法中，利用风险敏感强化学习来考虑 PVT 变动所导致的可靠性限制，并引入基于小样本的评估方法以实现高效学习。对于设计验证，我们还提出了 $\mu$-$\sigma$ 评估和仿真重排序方法，以降低识别失效设计的仿真成本。GLOVA 支持通过工业级 PVT 变动评估方法进行验证，包括边缘仿真以及全局和局部蒙特卡洛（MC）仿真。与以往的状态最优变动感知模拟尺寸框架相比，GLOVA 在样本效率上提升最高可达 80.5 倍，在时间上降低最高可达 76.0 倍。