Fugu-MT 論文翻訳(概要): Supervised Learning for Analog and RF Circuit Design: Benchmarks and Comparative Insights

論文の概要: Supervised Learning for Analog and RF Circuit Design: Benchmarks and Comparative Insights

arxiv url: http://arxiv.org/abs/2501.11839v1
Date: Tue, 21 Jan 2025 02:48:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-22 14:23:49.253250
Title: Supervised Learning for Analog and RF Circuit Design: Benchmarks and Comparative Insights
Title（参考訳）: アナログ・RF回路設計のための教師付き学習:ベンチマークと比較分析
Authors: Asal Mehradfar, Xuzhe Zhao, Yue Niu, Sara Babakniya, Mahdi Alesheikh, Hamidreza Aghasi, Salman Avestimehr,
Abstract要約: 本研究では,様々な回路タイプにわたる性能仕様から回路パラメータを設計するための教師付きMLに基づくアプローチについて検討する。その結果,低雑音増幅器などの単純な回路は,平均相対誤差を0.3%以下と極めて精度が高いことがわかった。異種回路では、トレーニングデータの増加により誤差の88%が減少し、受信側は平均相対誤差を0.23%以下とした。
参考スコア（独自算出の注目度）: 10.354863964933019
License:
Abstract: Automating analog and radio-frequency (RF) circuit design using machine learning (ML) significantly reduces the time and effort required for parameter optimization. This study explores supervised ML-based approaches for designing circuit parameters from performance specifications across various circuit types, including homogeneous and heterogeneous designs. By evaluating diverse ML models, from neural networks like transformers to traditional methods like random forests, we identify the best-performing models for each circuit. Our results show that simpler circuits, such as low-noise amplifiers, achieve exceptional accuracy with mean relative errors as low as 0.3% due to their linear parameter-performance relationships. In contrast, complex circuits, like power amplifiers and voltage-controlled oscillators, present challenges due to their non-linear interactions and larger design spaces. For heterogeneous circuits, our approach achieves an 88% reduction in errors with increased training data, with the receiver achieving a mean relative error as low as 0.23%, showcasing the scalability and accuracy of the proposed methodology. Additionally, we provide insights into model strengths, with transformers excelling in capturing non-linear mappings and k-nearest neighbors performing robustly in moderately linear parameter spaces, especially in heterogeneous circuits with larger datasets. This work establishes a foundation for extending ML-driven design automation, enabling more efficient and scalable circuit design workflows.
Abstract（参考訳）: 機械学習(ML)を用いたアナログ・高周波回路設計の自動化はパラメータ最適化に必要な時間と労力を大幅に削減する。本研究は,同種および異種の設計を含む各種回路タイプにわたる性能仕様から回路パラメータを設計するための教師付きMLに基づくアプローチについて検討する。トランスフォーマーのようなニューラルネットワークからランダムフォレストのような従来の手法に至るまで、さまざまなMLモデルを評価することで、各回路の最高のパフォーマンスモデルを特定します。その結果、低雑音増幅器のような単純な回路は、線形パラメータ性能の関係により平均相対誤差を0.3%以下に抑えることができることがわかった。対照的に、電力増幅器や電圧制御発振器のような複雑な回路は、非線形相互作用とより大きな設計空間のために困難を呈する。異種回路では, トレーニングデータの増加による誤差の88%削減を実現し, 平均相対誤差を0.23%まで低減し, 提案手法のスケーラビリティと精度を示す。さらに、モデル強度に関する洞察を提供し、非線型写像の捕捉に優れた変換器と、中等線形パラメータ空間、特に大きなデータセットを持つ異種回路において頑健に機能するk-アネレスト近傍を特徴付ける。この作業は、ML駆動設計自動化を拡張し、より効率的でスケーラブルな回路設計ワークフローを可能にする基盤を確立する。

関連論文リスト

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)
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)
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)
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)
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)
RWKV: Reinventing RNNs for the Transformer Era [54.716108899349614]
本稿では,変換器の効率的な並列化学習とRNNの効率的な推論を組み合わせた新しいモデルアーキテクチャを提案する。モデルを最大14億のパラメータにスケールし、トレーニングされたRNNの中では最大で、同じサイズのTransformerと同等のRWKVのパフォーマンスを実現しています。
論文参考訳（メタデータ） (2023-05-22T13:57:41Z)
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)
Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文参考訳（メタデータ） (2022-03-29T21:18:47Z)
Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。