論文の概要: FALCON: An ML Framework for Fully Automated Layout-Constrained Analog Circuit Design

• arxiv url: http://arxiv.org/abs/2505.21923v1
• Date: Wed, 28 May 2025 03:16:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.389909
• Title: FALCON: An ML Framework for Fully Automated Layout-Constrained Analog Circuit Design
• Title（参考訳）: FALCON: 完全に自動化されたレイアウト制約付きアナログ回路設計のためのMLフレームワーク
• Authors: Asal Mehradfar, Xuzhe Zhao, Yilun Huang, Emir Ceyani, Yankai Yang, Shihao Han, Hamidreza Aghasi, Salman Avestimehr,
• Abstract要約: 本稿では、仕様駆動アナログ回路合成を可能にする統合機械学習フレームワークであるFALCONを紹介する。 FALCONはまず、人間設計でガイドされた性能駆動型分類器を用いて、適切な回路トポロジーを選択する。 次に、独自のエッジ中心グラフニューラルネットワークを使用して、回路トポロジとパラメータをパフォーマンスにマップする。 この推論は、分析方程式の寄生的および周波数依存的な効果から導かれる、異なるレイアウトコストで導かれ、設計規則によって制約される。
• 参考スコア（独自算出の注目度）: 10.624213909380718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing analog circuits from performance specifications is a complex, multi-stage process encompassing topology selection, parameter inference, and layout feasibility. We introduce FALCON, a unified machine learning framework that enables fully automated, specification-driven analog circuit synthesis through topology selection and layout-constrained optimization. Given a target performance, FALCON first selects an appropriate circuit topology using a performance-driven classifier guided by human design heuristics. Next, it employs a custom, edge-centric graph neural network trained to map circuit topology and parameters to performance, enabling gradient-based parameter inference through the learned forward model. This inference is guided by a differentiable layout cost, derived from analytical equations capturing parasitic and frequency-dependent effects, and constrained by design rules. We train and evaluate FALCON on a large-scale custom dataset of 1M analog mm-wave circuits, generated and simulated using Cadence Spectre across 20 expert-designed topologies. Through this evaluation, FALCON demonstrates >99\% accuracy in topology inference, <10\% relative error in performance prediction, and efficient layout-aware design that completes in under 1 second per instance. Together, these results position FALCON as a practical and extensible foundation model for end-to-end analog circuit design automation.
• Abstract（参考訳）: アナログ回路を性能仕様から設計することは、トポロジ選択、パラメータ推論、レイアウト実現性を含む複雑な多段階プロセスである。 我々は、トポロジの選択とレイアウト制約の最適化を通じて、完全に自動化された仕様駆動アナログ回路合成を可能にする統合機械学習フレームワークであるFALCONを紹介する。 FALCONは、まず、人間の設計ヒューリスティックスによって導かれる性能駆動型分類器を用いて、適切な回路トポロジを選択する。 次に、回路トポロジとパラメータをパフォーマンスにマップするように訓練された独自のエッジ中心グラフニューラルネットワークを使用し、学習したフォワードモデルを通じて勾配に基づくパラメータ推論を可能にする。 この推論は、寄生的および周波数依存的な効果を捉える解析方程式から導かれる、異なるレイアウトコストで導かれ、設計規則によって制約される。 我々は、20のエキスパート設計トポロジにまたがってCadence Spectreを用いて生成された1Mアナログmm波回路の大規模カスタムデータセット上でFALCONを訓練し、評価する。 この評価を通じて、FALCONは、トポロジ推論における >99\% の精度、パフォーマンス予測における <10\% の相対誤差、そして、1インスタンスあたり1秒未満で完了する効率的なレイアウト認識設計を示す。 これらの結果は、FALCONをエンドツーエンドのアナログ回路設計自動化のための実用的で拡張可能な基礎モデルとして位置づけている。

関連論文リスト

• AnalogXpert: Automating Analog Topology Synthesis by Incorporating Circuit Design Expertise into Large Language Models [10.986618360243526]
  本稿では,実用的なトポロジ合成問題の解決を目的としたLLMベースのエージェントであるAnalogXpertを提案する。 まず、アナログトポロジをSPICEコードとして表現し、設計空間を減らすためにサブ回路ライブラリを導入する。 第2に、CoTと非コンテキスト学習技術を用いて、問題を2つのサブタスクに分解する。 第3に,LLMが初期設計の誤りを漸進的に修正できる証明読解戦略を導入する。
  論文  参考訳（メタデータ） (2024-12-17T09:08:08Z)
• MATADOR: Automated System-on-Chip Tsetlin Machine Design Generation for Edge Applications [0.2663045001864042]
  本稿では,GUIインタフェースを備えた自動シリコンツールであるMATADORについて述べる。 モデルトレーニング、システムレベルの設計生成、設計検証、デプロイメントという、完全な開発パイプラインの自動化を提供する。 MATADOR加速器の設計は、最先端の量子化およびバイナリディープニューラルネットワークの実装と比較して最大13.4倍、最大7倍、最大2倍の電力効率を持つことが示されている。
  論文  参考訳（メタデータ） (2024-03-03T10:31:46Z)
• 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)
• 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)
• Efficient Automatic Machine Learning via Design Graphs [72.85976749396745]
  最適なモデル設計を探索する効率的なサンプルベース手法であるFALCONを提案する。 FALCONは,1)グラフニューラルネットワーク(GNN)を介してデザイングラフ上でメッセージパッシングを行うタスク非依存モジュール,2)既知のモデル性能情報のラベル伝搬を行うタスク固有モジュールを特徴とする。 FALCONは,30個の探索ノードのみを用いて,各タスクに対して良好な性能を持つ設計を効率的に得ることを実証的に示す。
  論文  参考訳（メタデータ） (2022-10-21T21:25:59Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)

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。