基于贝叶斯神经网络面向实际布局感知的模拟/混合信号设计自动化

高仿真成本一直是实用模拟/混合信号设计自动化的瓶颈。许多基于学习的算法需要数千个仿真数据点,对仿真昂贵的电路而言不切实际。我们提出一种可少量数据训练、从而能扩展至昂贵仿真任务的基于学习的算法。我们的高效算法解决了已知仿真昂贵的版图后性能优化问题。我们的综合研究也解决了电路级尺寸确定问题。为高效优化,我们利用贝叶斯神经网络作为回归模型来近似电路性能。对于布局感知优化,我们将该问题视为多保真度优化问题,并通过利用较廉价评估的相关性来提升效率。我们给出三个测试案例以证明算法的效率。我们的测试证明所提方法比常规基线与最先进算法更高效。