OSIRIS：连接模拟电路设计与机器学习的可扩展数据集生成
机器学习
2026-01-28 v1
摘要
模拟集成电路（IC）设计的自动化仍然是一个长期存在的挑战，这主要是由于物理布局、寄生效应和电路级性能之间复杂的相互依赖关系。这些相互作用施加了复杂的约束，难以使用传统设计方法准确捕捉和优化。尽管机器学习（ML）的最新进展在自动化模拟设计流程的特定阶段显示出前景，但开发能够整合这些阶段并使用布局后、考虑寄生效应的性能反馈迭代优化布局的整体端到端框架仍处于早期阶段。此外，这一方向的进展受到模拟领域开放、高质量数据集可用性有限的阻碍，这限制了基于ML技术的基准测试和泛化能力。为了解决这些限制，我们提出了OSIRIS，一个用于模拟IC设计的可扩展数据集生成流水线。OSIRIS系统地探索模拟电路的设计空间，同时生成全面的性能指标和元数据，从而支持电子设计自动化（EDA）中的ML驱动研究。此外，我们发布了一个包含87,100个电路变体的数据集，这些变体使用OSIRIS生成，并附带一个基于强化学习（RL）的基线方法，该方法利用OSIRIS进行模拟设计优化。
引用
@article{arxiv.2601.19439,
title = {OSIRIS: Bridging Analog Circuit Design and Machine Learning with Scalable Dataset Generation},
author = {Giuseppe Chiari and Michele Piccoli and Davide Zoni},
journal= {arXiv preprint arXiv:2601.19439},
year = {2026}
}