論文の概要: Automated Design and Optimization of Distributed Filtering Circuits via Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2402.14236v2
- Date: Mon, 29 Jul 2024 02:34:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 23:57:25.859120
- Title: Automated Design and Optimization of Distributed Filtering Circuits via Reinforcement Learning
- Title(参考訳): 強化学習による分散フィルタ回路の自動設計と最適化
- Authors: Peng Gao, Tao Yu, Fei Wang, Ru-Yue Yuan,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 20.500468654567033
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Designing distributed filter circuits (DFCs) is complex and time-consuming, involving setting and optimizing multiple hyperparameters. Traditional optimization methods, such as using the commercial finite element solver HFSS (High-Frequency Structure Simulator) to enumerate all parameter combinations with fixed steps and then simulate each combination, are not only time-consuming and labor-intensive but also rely heavily on the expertise and experience of electronics engineers, making it difficult to adapt to rapidly changing design requirements. Additionally, these commercial tools struggle with precise adjustments when parameters are sensitive to numerical changes, resulting in limited optimization effectiveness. This study proposes a novel end-to-end automated method for DFC design. The proposed method harnesses reinforcement learning (RL) algorithms, eliminating the dependence on the design experience of engineers. Thus, it significantly reduces the subjectivity and constraints associated with circuit design. The experimental findings demonstrate clear improvements in design efficiency and quality when comparing the proposed method with traditional engineer-driven methods. Furthermore, the proposed method achieves superior performance when designing complex or rapidly evolving DFCs, highlighting the substantial potential of RL in circuit design automation. In particular, compared to the existing DFC automation design method CircuitGNN, our method achieves an average performance improvement of 8.72%. Additionally, the execution efficiency of our method is 2000 times higher than CircuitGNN on the CPU and 241 times higher on the GPU.
- Abstract(参考訳): 分散フィルタ回路(DFC)の設計は複雑で時間を要する。
商用有限要素ソルバ HFSS (High-Frequency Structure Simulator) を用いるような従来の最適化手法は、全てのパラメータの組み合わせを固定ステップで列挙し、それぞれの組み合わせをシミュレートする。
さらに、これらの商用ツールは、パラメータが数値的な変化に敏感である場合の正確な調整に苦慮し、最適化効率が制限される。
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。
これにより、回路設計に伴う主観性と制約が大幅に低減される。
実験により,提案手法と従来手法との比較において,設計効率と品質の向上が示された。
さらに,回路設計におけるRLの可能性を強調し,複雑なDFCの設計や急速に発展するDFCの設計において優れた性能を実現する。
特に,既存のDFC自動化設計手法であるCircuitGNNと比較して,平均性能は8.72%向上した。
さらに,本手法の実行効率はCPUのCircuitGNNの2000倍,GPUの241倍である。
関連論文リスト
- CIRCUITSYNTH: Leveraging Large Language Models for Circuit Topology Synthesis [7.131266114437393]
有効な回路トポロジの自動合成を容易にするためにLCMを利用する新しい手法であるCIRCUITSYNTHを導入する。
提案手法は,回路効率の向上と出力電圧の特定を目的とした今後の研究の基盤となる。
論文 参考訳(メタデータ) (2024-06-06T01:59:59Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳(メタデータ) (2024-01-24T01:33:39Z) - 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) - Artificial-Intelligence-Based Design for Circuit Parameters of Power
Converters [0.0]
本稿では,電力変換器のパラメータ設計のための人工知能設計(AI-D)手法を提案する。
高精度で実装が容易な人間依存を軽減するため、シミュレーションツールとバッチ正規化ニューラルネットワーク(BN-NN)が採用されている。
提案手法は, 電気自動車の48V・12Vアクセサリー負荷電源システムにおいて, 同期バックコンバータの回路パラメータ設計において検証される。
論文 参考訳(メタデータ) (2023-07-30T08:39:41Z) - 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) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳(メタデータ) (2022-11-29T17:28:31Z) - 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) - Deep Learning-Based Inverse Design for Engineering Systems:
Multidisciplinary Design Optimization of Automotive Brakes [2.362412515574206]
Apparent piston travel (APT) とドラッグトルクは、ブレーキ性能を評価する上で最も代表的な要因である。
近年,ディープラーニング (DL) を用いた逆設計の研究により, 最適設計を瞬時に生成する可能性が確立されている。
MIDは、精度と計算コストの観点から、単系統の逆設計と同じような性能を達成した。
論文 参考訳(メタデータ) (2022-02-27T08:29:50Z) - 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) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳(メタデータ) (2021-05-06T02:22:23Z)
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。