模拟设计空间探索中结合深度强化学习的信赖域方法
机器学习
2021-12-03 v4 人工智能
摘要
本文介绍了模拟设计空间搜索的新视角。为最小化上市时间，此工作更宜表述为约束满足问题而非先前工作中定义的全局优化。我们引入基于模型的智能体（与无模型学习相对）以实现信赖域策略。如此，简单的前馈网络便可通过监督学习训练，其收敛相对容易。实验结果表明搜索迭代次数有数量级的改进。此外，还纳入了对 PVT 条件的前所未有的考量。在采用 TSMC 5/6nm 工艺的电路上，我们的方法取得了超越人类设计者的性能。进而，该框架已在工业环境中投入生产。
引用
@article{arxiv.2009.13772,
title = {Trust-Region Method with Deep Reinforcement Learning in Analog Design Space Exploration},
author = {Kai-En Yang and Chia-Yu Tsai and Hung-Hao Shen and Chen-Feng Chiang and Feng-Ming Tsai and Chung-An Wang and Yiju Ting and Chia-Shun Yeh and Chin-Tang Lai},
journal= {arXiv preprint arXiv:2009.13772},
year = {2021}
}
备注
6 pages, 3 figures, 5 tables