Fugu-MT 論文翻訳(概要): AICircuit: A Multi-Level Dataset and Benchmark for AI-Driven Analog Integrated Circuit Design

論文の概要: AICircuit: A Multi-Level Dataset and Benchmark for AI-Driven Analog Integrated Circuit Design

arxiv url: http://arxiv.org/abs/2407.18272v1
Date: Mon, 22 Jul 2024 20:32:16 GMT
ステータス: 処理完了
システム内更新日: 2024-07-29 15:18:53.367970
Title: AICircuit: A Multi-Level Dataset and Benchmark for AI-Driven Analog Integrated Circuit Design
Title（参考訳）: AICircuit:AI駆動アナログ集積回路設計のためのマルチレベルデータセットとベンチマーク
Authors: Asal Mehradfar, Xuzhe Zhao, Yue Niu, Sara Babakniya, Mahdi Alesheikh, Hamidreza Aghasi, Salman Avestimehr,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 10.354863964933019
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Analog and radio-frequency circuit design requires extensive exploration of both circuit topology and parameters to meet specific design criteria like power consumption and bandwidth. Designers must review state-of-the-art topology configurations in the literature and sweep various circuit parameters within each configuration. This design process is highly specialized and time-intensive, particularly as the number of circuit parameters increases and the circuit becomes more complex. Prior research has explored the potential of machine learning to enhance circuit design procedures. However, these studies primarily focus on simple circuits, overlooking the more practical and complex analog and radio-frequency systems. A major obstacle for bearing the power of machine learning in circuit design is the availability of a generic and diverse dataset, along with robust metrics, which are essential for thoroughly evaluating and improving machine learning algorithms in the analog and radio-frequency circuit domain. We present AICircuit, a comprehensive multi-level dataset and benchmark for developing and evaluating ML algorithms in analog and radio-frequency circuit design. AICircuit comprises seven commonly used basic circuits and two complex wireless transceiver systems composed of multiple circuit blocks, encompassing a wide array of design scenarios encountered in real-world applications. We extensively evaluate various ML algorithms on the dataset, revealing the potential of ML algorithms in learning the mapping from the design specifications to the desired circuit parameters.
Abstract（参考訳）: アナログ回路と高周波回路の設計は、消費電力や帯域幅といった特定の設計基準を満たすために、回路トポロジーとパラメータの両方を広範囲に探究する必要がある。設計者は文学における最先端のトポロジ構成をレビューし、各構成内で様々な回路パラメータを精査しなければならない。この設計プロセスは、特に回路パラメータの数が増加し、回路が複雑になるにつれて、高度に専門化され、時間集約化されている。これまでの研究は、回路設計手順を強化する機械学習の可能性を探ってきた。しかし、これらの研究は主に単純な回路に焦点をあて、より実用的で複雑なアナログ・無線周波数システムを見渡す。回路設計における機械学習のパワーを担う大きな障害は、アナログおよび高周波回路領域における機械学習アルゴリズムを徹底的に評価し改善するために不可欠である、堅牢なメトリクスとともに、汎用的で多様なデータセットが利用可能であることである。本稿では、アナログ回路設計におけるMLアルゴリズムの開発と評価のための総合的なマルチレベルデータセットとベンチマークであるAICircuitを提案する。 AICircuitは7つの一般的な基本回路と、複数の回路ブロックで構成される2つの複雑な無線トランシーバシステムで構成され、現実世界のアプリケーションで発生する幅広い設計シナリオを含んでいる。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。

関連論文リスト

Machine Learning Assisted Design of mmWave Wireless Transceiver Circuits [0.0]
mmWave集積回路(IC)はここ数十年で大きな研究関心を集めている。この論文では、28GHzのトランシーバ回路を詳細な設計図と関連する性能指標を用いて検討した。いくつかの従来型および大規模機械学習(ML)アプローチは、選択されたシステムの設計パイプラインに統合され、望ましい仕様に基づいて回路パラメータを予測する。
論文参考訳（メタデータ） (2024-07-10T08:21:01Z)
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)
Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文参考訳（メタデータ） (2022-05-08T06:21:33Z)
Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文参考訳（メタデータ） (2022-05-02T12:23:55Z)
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)
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)
Analog/Mixed-Signal Circuit Synthesis Enabled by the Advancements of Circuit Architectures and Machine Learning Algorithms [0.0]
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。
論文参考訳（メタデータ） (2021-12-15T01:47:08Z)
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。