論文の概要: GLOVA: Global and Local Variation-Aware Analog Circuit Design with Risk-Sensitive Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2505.11208v1
• Date: Fri, 16 May 2025 13:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.988019
• Title: GLOVA: Global and Local Variation-Aware Analog Circuit Design with Risk-Sensitive Reinforcement Learning
• Title（参考訳）: GLOVA:リスク感性強化学習を用いたグローバル・ローカル変分対応アナログ回路の設計
• Authors: Dongjun Kim, Junwoo Park, Chaehyeon Shin, Jaeheon Jung, Kyungho Shin, Seungheon Baek, Sanghyuk Heo, Woongrae Kim, Inchul Jeong, Joohwan Cho, Jongsun Park,
• Abstract要約: GLOVAは、PVT変動に対するロバスト性を改善するために、多様なランダムミスマッチの影響を効果的に管理するアナログ回路サイズフレームワークである。 GLOVAはサンプル効率の最大80.5$times$改善と76.0$times$時間短縮を実現している。
• 参考スコア（独自算出の注目度）: 4.466646630282214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analog/mixed-signal circuit design encounters significant challenges due to performance degradation from process, voltage, and temperature (PVT) variations. To achieve commercial-grade reliability, iterative manual design revisions and extensive statistical simulations are required. While several studies have aimed to automate variation aware analog design to reduce time-to-market, the substantial mismatches in real-world wafers have not been thoroughly addressed. In this paper, we present GLOVA, an analog circuit sizing framework that effectively manages the impact of diverse random mismatches to improve robustness against PVT variations. In the proposed approach, risk-sensitive reinforcement learning is leveraged to account for the reliability bound affected by PVT variations, and ensemble-based critic is introduced to achieve sample-efficient learning. For design verification, we also propose $\mu$-$\sigma$ evaluation and simulation reordering method to reduce simulation costs of identifying failed designs. GLOVA supports verification through industrial-level PVT variation evaluation methods, including corner simulation as well as global and local Monte Carlo (MC) simulations. Compared to previous state-of-the-art variation-aware analog sizing frameworks, GLOVA achieves up to 80.5$\times$ improvement in sample efficiency and 76.0$\times$ reduction in time.
• Abstract（参考訳）: アナログ/混合信号回路の設計は、プロセス、電圧、温度(PVT)の変動による性能劣化によって大きな課題に直面する。 商業レベルの信頼性を達成するためには、反復的手動設計修正と広範な統計シミュレーションが必要である。 いくつかの研究は、市場投入までの時間を短縮するために、変化に敏感なアナログデザインを自動化することを目的としているが、現実のウエハにおけるかなりのミスマッチは、完全には解決されていない。 本稿では,多様なランダムミスマッチの影響を効果的に管理し,PVT変動に対するロバスト性を向上させるアナログ回路サイズ化フレームワークであるGLOVAを提案する。 提案手法では,PVT変動の影響を考慮し,リスクに敏感な強化学習を活用し,サンプル効率の学習を実現するためにアンサンブルに基づく批判を導入した。 また,設計検証のために,失敗設計を特定するシミュレーションコストを低減するために,$\mu$-$\sigma$評価とシミュレーションリオーダー手法を提案する。 GLOVAは、コーナーシミュレーションやグローバルおよびローカルモンテカルロ(MC)シミュレーションを含む産業レベルのPVT変動評価手法による検証をサポートする。 従来の最先端の変動認識型アナログサイズフレームワークと比較すると、GLOVAはサンプル効率の最大80.5$\times$改善と76.0$\times$時間短縮を実現している。

関連論文リスト

• Optimizing Coverage-Driven Verification Using Machine Learning and PyUVM: A Novel Approach [2.3624953088402734]
  System-on-Chip(SoC)設計の複雑さは、検証のボトルネックを生み出した。 既存の検証技術は、時間と冗長なシミュレーションの回帰に依存する。 シミュレーション回帰を最適化するために教師付き機械学習(ML)を活用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-02-23T17:54:23Z)
• Prediction-Enhanced Monte Carlo: A Machine Learning View on Control Variate [9.10215751465523]
  予測強化モンテカルロ(PEMC)フレームワークを開発した。 PEMCは、コストを意識したばらつきの低減、平均的な知識の不要化を目標としている。 PEMCは2種類のエキゾチックオプション価格問題により有効性を示した。
  論文  参考訳（メタデータ） (2024-12-15T17:41:38Z)
• Performance Optimization for Variable Bitwidth Federated Learning in Wireless Networks [103.22651843174471]
  本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。 提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。 FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T08:52:51Z)
• RobustAnalog: Fast Variation-Aware Analog Circuit Design Via Multi-task RL [19.71047877921737]
  本稿では、最適化プロセスにおける変動情報を含む堅牢な回路設計フレームワークであるRobust Analogを紹介する。 Robust Analogは、必要な最適化時間を14～30倍に削減できることを示す。
  論文  参考訳（メタデータ） (2022-07-13T04:06:32Z)
• A Framework for Improving the Reliability of Black-box Variational Inference [9.621959865172549]
  Black-box Variational Inference (BBVI)は、機械学習と統計学で広く使われている。 本稿では,BBVI最適化の信頼性向上のためのフレームワークであるRobust and Automated Black-box VI (RABVI)を提案する。 RABVIは、厳格に正当化された自動化技術に基づいており、少数の直感的なチューニングパラメータを含み、最適な変分近似の不正確な推定を検出する。
  論文  参考訳（メタデータ） (2022-03-29T23:05:40Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)
• Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
  我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
  論文  参考訳（メタデータ） (2020-03-12T19:56:38Z)
• DISCO: Double Likelihood-free Inference Stochastic Control [29.84276469617019]
  確率自由推論のためのベイズ統計学における現代シミュレータのパワーと最近の技術を活用することを提案する。 シミュレーションパラメータの後方分布は、システムの潜在的非解析モデルによって伝播される。 実験により、制御器の提案により、古典的な制御やロボット工学のタスクにおいて、優れた性能と堅牢性が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-18T05:29:40Z)

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。