学习设计电路
机器学习
2020-12-08 v5
摘要
模拟IC设计依赖人类专家凭借经验与直觉搜索满足电路规格的参数，这一过程高度耗费人力、耗时且非最优。机器学习是自动化此过程的有前景工具。然而，由于训练数据可用性低，监督学习对此任务较为困难：1)电路仿真缓慢，因此生成大规模数据集耗时；2)大多数电路设计是个别IC公司内的专有IP，使得收集大规模数据集代价高昂。我们提出学习设计电路(L2DC)，利用强化学习来高效生成新电路数据并优化电路。我们固定原理图，并通过训练一个对电路优化毫无先验知识的RL智能体来自动优化晶体管参数。在迭代获取观测、生成新一组晶体管参数、获取奖励并调整模型后，L2DC能够优化电路。我们在两个跨阻放大器上评估L2DC。训练一天后，我们的RL智能体可达到与受训一个季度的人类专家相当或更好的性能。它先学习满足硬约束(如增益、带宽)，再学习优化期望目标(如面积、功耗)。与网格搜索辅助的人工设计相比，L2DC在相当性能下可实现更高的采样效率。在相同运行时间约束下，L2DC的性能也优于贝叶斯优化。
引用
@article{arxiv.1812.02734,
title = {Learning to Design Circuits},
author = {Hanrui Wang and Jiacheng Yang and Hae-Seung Lee and Song Han},
journal= {arXiv preprint arXiv:1812.02734},
year = {2020}
}
备注
NeurIPS 2018 Workshop on Machine Learning for Systems; Follow-up extension at DAC 2020 "GCN-RL Circuit Designer: Transferable Transistor Sizing with Graph Neural Networks and Reinforcement Learning" at https://gcnrl.mit.edu