Fugu-MT 論文翻訳(概要): Domain Knowledge-Based Automated Analog Circuit Design with Deep Reinforcement Learning

論文の概要: Domain Knowledge-Based Automated Analog Circuit Design with Deep Reinforcement Learning

arxiv url: http://arxiv.org/abs/2202.13185v1
Date: Sat, 26 Feb 2022 16:56:45 GMT
ステータス: 処理完了
システム内更新日: 2022-03-03 09:03:58.367740
Title: Domain Knowledge-Based Automated Analog Circuit Design with Deep Reinforcement Learning
Title（参考訳）: 深層強化学習によるドメイン知識に基づくアナログ回路設計
Authors: Weidong Cao, Mouhacine Benosman, Xuan Zhang, Rui Ma
Abstract要約: 本稿では,アナログ回路の設計を高速化する深層強化学習法を提案する。実験結果から,既存のベストパフォーマンス手法の1.5倍の効率で,人間レベルの設計精度(99%)を達成できた。
参考スコア（独自算出の注目度）: 6.599793419469274
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The design automation of analog circuits is a longstanding challenge in the integrated circuit field. This paper presents a deep reinforcement learning method to expedite the design of analog circuits at the pre-layout stage, where the goal is to find device parameters to fulfill desired circuit specifications. Our approach is inspired by experienced human designers who rely on domain knowledge of analog circuit design (e.g., circuit topology and couplings between circuit specifications) to tackle the problem. Unlike all prior methods, our method originally incorporates such key domain knowledge into policy learning with a graph-based policy network, thereby best modeling the relations between circuit parameters and design targets. Experimental results on exemplary circuits show it achieves human-level design accuracy (~99%) with 1.5x efficiency of existing best-performing methods. Our method also shows better generalization ability to unseen specifications and optimality in circuit performance optimization. Moreover, it applies to designing diverse analog circuits across different semiconductor technologies, breaking the limitations of prior ad-hoc methods in designing one particular type of analog circuits with conventional semiconductor technology.
Abstract（参考訳）: アナログ回路の設計自動化は、集積回路分野における長年の課題である。本稿では,要求される回路仕様を満たすデバイスパラメータの探索を目標とし,事前レイアウト段階でアナログ回路の設計を迅速化する深層強化学習手法を提案する。我々のアプローチは、アナログ回路設計(例えば回路トポロジと回路仕様間の結合)のドメイン知識に依存する経験豊富な人間設計者から着想を得ている。従来の手法と異なり,本手法はもともと,グラフベースのポリシーネットワークを用いたポリシー学習にそのような鍵となるドメイン知識を取り入れ,回路パラメータと設計目標の関係をモデル化する。模範回路の実験結果から, 既存の最適性能手法の1.5倍の効率で, 人間の設計精度(約99%)を達成できた。また, 回路性能最適化において, 仕様の把握や最適性が向上することを示す。さらに、様々な半導体技術にわたる多様なアナログ回路の設計にも適用でき、従来の半導体技術で特定の種類のアナログ回路を設計する際のアドホック法の限界を破っている。

関連論文リスト

AICircuit: A Multi-Level Dataset and Benchmark for AI-Driven Analog Integrated Circuit Design [10.354863964933019]
本稿では,アナログ回路設計における機械学習アルゴリズムの開発と評価のためのベンチマークであるAICircuitを提案する。回路設計における機械学習のパワーを支える大きな障害は、汎用的で多様なデータセットが利用できることである。設計仕様から所望の回路パラメータへのマッピング学習におけるMLアルゴリズムの可能性を明らかにする。
論文参考訳（メタデータ） (2024-07-22T20:32:16Z)
LaMAGIC: Language-Model-based Topology Generation for Analog Integrated Circuits [17.002169206594793]
先駆的な言語モデルに基づくトポロジ生成モデルであるLaMAGICを紹介する。 LaMAGICは、カスタム仕様から最適化された回路設計を単一のパスで効率的に生成できる。 LaMAGICは0.01の厳格な許容条件で最大96%の成功率を達成した。
論文参考訳（メタデータ） (2024-07-19T22:51:41Z)
Finding Transformer Circuits with Edge Pruning [71.12127707678961]
自動回路発見の効率的かつスケーラブルなソリューションとしてエッジプルーニングを提案する。本手法は,従来の手法に比べてエッジ数の半分未満のGPT-2の回路を探索する。その効率のおかげで、Edge PruningをCodeLlama-13Bにスケールしました。
論文参考訳（メタデータ） (2024-06-24T16:40:54Z)
AnalogCoder: Analog Circuit Design via Training-Free Code Generation [28.379045024642668]
本稿では,アナログ回路を設計するための訓練不要なLarge Language ModelsエージェントであるAnalogCoderを紹介する。フィードバック強化フローとドメイン固有のプロンプトが組み込まれており、アナログ回路の自動化および自己修正設計を可能にする。 20個の回路を設計し、標準のGPT-4oより5個多く設計した。
論文参考訳（メタデータ） (2024-05-23T17:13:52Z)
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)
Learning to Design Analog Circuits to Meet Threshold Specifications [2.5818330243826924]
本稿では,シミュレーションデータから,しきい値仕様を満たす回路の設計を訓練可能なデータセットを生成する手法を提案する。提案手法は,5%の誤差マージンで90%以上の成功率を達成するとともに,データ効率を1桁以上の精度で向上することを示す。
論文参考訳（メタデータ） (2023-07-25T23:25:05Z)
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)
End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文参考訳（メタデータ） (2023-05-25T10:58:46Z)
Domain Knowledge-Infused Deep Learning for Automated Analog/Radio-Frequency Circuit Parameter Optimization [6.599793419469274]
本稿では,アナログ回路パラメータの最適化を自動化する強化学習手法を提案する。これはアナログ回路設計のドメイン知識に依存する人間の専門家にインスパイアされている。模範回路の実験結果から, 既存の最適性能手法の人間レベルの設計精度 (99%) 1.5倍の効率を達成できた。
論文参考訳（メタデータ） (2022-04-27T13:58:51Z)
Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
論文参考訳（メタデータ） (2022-04-12T19:39:31Z)
Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization [49.207538634692916]
そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
論文参考訳（メタデータ） (2021-10-08T07:22:45Z)

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。