論文の概要: Domain Knowledge-Infused Deep Learning for Automated Analog/Radio-Frequency Circuit Parameter Optimization

• arxiv url: http://arxiv.org/abs/2204.12948v1
• Date: Wed, 27 Apr 2022 13:58:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 17:46:26.464442
• Title: Domain Knowledge-Infused Deep Learning for Automated Analog/Radio-Frequency Circuit Parameter Optimization
• Title（参考訳）: 自動アナログ/無線周波数回路パラメータ最適化のためのドメイン知識注入深層学習
• Authors: Weidong Cao, Mouhacine Benosman, Xuan Zhang, Rui Ma
• Abstract要約: 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。
• 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. This paper presents a reinforcement learning method enhanced by graph learning to automate the analog circuit parameter optimization at the pre-layout stage, i.e., finding device parameters to fulfill desired circuit specifications. Unlike all prior methods, our approach is inspired by human experts who rely on domain knowledge of analog circuit design (e.g., circuit topology and couplings between circuit specifications) to tackle the problem. By originally incorporating such key domain knowledge into policy training with a multimodal network, the method best learns the complex relations between circuit parameters and design targets, enabling optimal decisions in the optimization process. Experimental results on exemplary circuits show it achieves human-level design accuracy (99%) 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 design radio-frequency circuits on emerging semiconductor technologies, breaking the limitations of prior learning methods in designing conventional analog circuits.
• Abstract（参考訳）: アナログ回路の設計自動化は長年の課題である。 本稿では,グラフ学習により強化された強化学習手法により,事前レイアウト段階におけるアナログ回路パラメータ最適化,すなわち所望の回路仕様を満たすデバイスパラメータの探索を自動化する。 従来の手法とは異なり、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)のドメイン知識に頼ってこの問題に取り組む人間の専門家にインスパイアされている。 このような重要なドメイン知識をマルチモーダルネットワークによるポリシートレーニングに組み込むことで、回路パラメータと設計目標との複雑な関係を学習し、最適化プロセスにおける最適な決定を可能にする。 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倍の効率を実現した。 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、従来のアナログ回路の設計における事前学習法の限界を破って、新興半導体技術における高周波回路の設計にも適用される。

関連論文リスト

• 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)
• Machine Learning Driven Global Optimisation Framework for Analog Circuit Design [0.0]
  アナログ回路設計のための機械学習駆動最適化フレームワークを提案する。 最適化アルゴリズムを指向するために,機械学習モデルとスパイスシミュレーションを用いる。
  論文  参考訳（メタデータ） (2024-02-27T03:51:00Z)
• Automated Design and Optimization of Distributed Filtering Circuits via Reinforcement Learning [20.500468654567033]
  そこで本研究では,DFC設計のための新しいエンドツーエンド自動手法を提案する。 提案手法は強化学習(RL)アルゴリズムを利用して,技術者の設計経験への依存を解消する。 本手法は, 複雑もしくは急速に発展するDFCの設計において, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-02-22T02:36:14Z)
• Circuit-centric Genetic Algorithm (CGA) for Analog and Radio-Frequency Circuit Optimization [3.0996501197166975]
  本稿では,アナログ/高周波回路におけるパラメータの自動最適化手法を提案する。 設計対象は、消費電力とノイズフィギュアの低減と変換ゲインの増加を含む。 回路中心型遺伝的アルゴリズム(CGA)の概念は実現可能なアプローチとして提案されている。
  論文  参考訳（メタデータ） (2023-11-19T02:33:22Z)
• 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-Based Automated Analog Circuit Design with Deep Reinforcement Learning [6.599793419469274]
  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。
  論文  参考訳（メタデータ） (2022-02-26T16:56:45Z)
• 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)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。