論文の概要: Analog/Mixed-Signal Circuit Synthesis Enabled by the Advancements of
Circuit Architectures and Machine Learning Algorithms
- arxiv url: http://arxiv.org/abs/2112.07824v1
- Date: Wed, 15 Dec 2021 01:47:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 17:25:22.795343
- Title: Analog/Mixed-Signal Circuit Synthesis Enabled by the Advancements of
Circuit Architectures and Machine Learning Algorithms
- Title(参考訳): 回路アーキテクチャと機械学習アルゴリズムの進歩によるアナログ・混合信号回路合成
- Authors: Shiyu Su, Qiaochu Zhang, Mohsen Hassanpourghadi, Juzheng Liu, Rezwan A
Rasul, and Mike Shuo-Wei Chen
- Abstract要約: 我々は、ニューラルネットワークに基づくサロゲートモデルを用いて、回路設計パラメータの探索とレイアウトの反復を高速化する。
最後に、AMS回路のいくつかの例を、仕様からシリコンプロトタイプまで迅速に合成し、人間の介入を大幅に削減する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Analog mixed-signal (AMS) circuit architecture has evolved towards more
digital friendly due to technology scaling and demand for higher
flexibility/reconfigurability. Meanwhile, the design complexity and cost of AMS
circuits has substantially increased due to the necessity of optimizing the
circuit sizing, layout, and verification of a complex AMS circuit. On the other
hand, machine learning (ML) algorithms have been under exponential growth over
the past decade and actively exploited by the electronic design automation
(EDA) community. This paper will identify the opportunities and challenges
brought about by this trend and overview several emerging AMS design
methodologies that are enabled by the recent evolution of AMS circuit
architectures and machine learning algorithms. Specifically, we will focus on
using neural-network-based surrogate models to expedite the circuit design
parameter search and layout iterations. Lastly, we will demonstrate the rapid
synthesis of several AMS circuit examples from specification to silicon
prototype, with significantly reduced human intervention.
- Abstract(参考訳): アナログ混合信号(AMS)回路アーキテクチャは、技術スケーリングとより高い柔軟性/再構成性への需要により、よりデジタルフレンドリーに進化してきた。
一方、AMS回路の設計複雑性とコストは、複雑なAMS回路の回路サイズ、レイアウト、検証を最適化する必要があるため、大幅に増大している。
一方、機械学習(ML)アルゴリズムは、過去10年間で指数関数的に成長しており、電子設計自動化(EDA)コミュニティによって積極的に活用されている。
本稿では、この傾向によってもたらされる機会と課題を明らかにし、ams回路アーキテクチャと機械学習アルゴリズムの最近の進化によって実現される、いくつかの新しいams設計手法について概説する。
具体的には,ニューラルネットワークを用いたサーロゲートモデルを用いて回路設計パラメータ探索とレイアウトイテレーションを高速化する。
最後に、AMS回路のいくつかの例を、仕様からシリコンプロトタイプまで迅速に合成し、人間の介入を大幅に削減する。
関連論文リスト
- CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。
オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。
我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
論文 参考訳(メタデータ) (2023-08-31T02:20:25Z) - Adaptive Planning Search Algorithm for Analog Circuit Verification [53.97809573610992]
シミュレーションの少ない機械学習(ML)アプローチを提案する。
提案手法により,OCCを全回路の仕様に近づけることができることを示す。
論文 参考訳(メタデータ) (2023-06-23T12:57:46Z) - High-Speed and Energy-Efficient Non-Binary Computing with Polymorphic
Electro-Optic Circuits and Architectures [0.0]
ポリモルフィックE-O回路は、異なる論理と算術関数を実装するために動的にプログラムできる。
回路は、非バイナリフォーマットでデータのエネルギー効率の高い処理をサポートすることができる。
回路は、二項化および整数量子化畳み込みニューラルネットワークを処理するためのE-O計算アクセラレータアーキテクチャを可能にする。
論文 参考訳(メタデータ) (2023-04-15T18:20:56Z) - AI-Empowered Hybrid MIMO Beamforming [85.48860461696417]
ハイブリッドマルチインプット・マルチアウトプット(MIMO)システムは、アナログおよびデジタルのビームフォーミングの一部を実装している。
近年、ハイブリッドビームフォーミング設計にデータ支援人工知能(AI)ツールを使うことへの関心が高まっている。
本稿では、リアルタイムハイブリッドビームフォーミング設計を改善するために、データを活用するための候補戦略についてレビューする。
論文 参考訳(メタデータ) (2023-03-03T06:04:20Z) - AI/ML Algorithms and Applications in VLSI Design and Technology [3.1171750528972204]
本稿では、VLSIの設計・製造において過去に導入されたAI/ML自動化アプローチについて概説する。
将来、VLSI設計の分野に革命をもたらすため、様々な抽象化レベルでAI/MLアプリケーションの範囲について論じる。
論文 参考訳(メタデータ) (2022-02-21T07:01:27Z) - Inverse deep learning methods and benchmarks for artificial
electromagnetic material design [8.47539037890124]
本稿では,AEM設計のためのディープラーニング逆法および非可逆および条件付き可逆ニューラルネットワークについて調査する。
提案手法は繰り返しシミュレーションの制約と容易に統合された計量によって導かれる。
問題がますます悪化するにつれて、境界損失(NA)を伴うニューラルアドジョイントがより高速に解を生成することが示される。
論文 参考訳(メタデータ) (2021-12-19T20:44:53Z) - A Graph Deep Learning Framework for High-Level Synthesis Design Space
Exploration [11.154086943903696]
High-Level Synthesisは、アプリケーション固有の高速プロトタイピングのためのソリューションである。
本稿では,加速性能とハードウェアコストを共同で予測するグラフニューラルネットワークHLSを提案する。
提案手法は,一般的なシミュレータと同等の精度で予測できることを示す。
論文 参考訳(メタデータ) (2021-11-29T18:17:45Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-07-27T12:38:37Z) - Ultra-Low-Power FDSOI Neural Circuits for Extreme-Edge Neuromorphic
Intelligence [2.6199663901387997]
インメモリコンピューティング 混合信号ニューロモルフィックアーキテクチャはエッジコンピューティングのセンサ処理への応用に期待できる超低消費電力のソリューションを提供する。
本稿では、FDSOI(Fully-Depleted Silicon on Insulator)統合プロセスの特徴を利用する混合信号アナログ/デジタル回路を提案する。
論文 参考訳(メタデータ) (2020-06-25T09:31:29Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳(メタデータ) (2020-06-15T02:57:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。