文献

J-GLOBAL ID：202002221708969621   整理番号：20A1364732

AutoCkt:アナログ回路設計の深層強化学習【JST・京大機械翻訳】

AutoCkt: Deep Reinforcement Learning of Analog Circuit Designs

著者 (5件)： Settaluri Keertana (University of California,Berkeley) ,  Haj-Ali Ameer (University of California,Berkeley) ,  Huang Qijing (University of California,Berkeley) ,  Hakhamaneshi Kourosh (University of California,Berkeley) ,  Nikolic Borivoje (University of California,Berkeley)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： DATE  ページ： 490-495  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 大規模CMOSにおけるエネルギー制約下の領域特殊化は,チップ(SoC)上のシステムのアジャイル開発の必要性を推進している。ディジタルサブシステムは,仕様からレイアウトまでの高速反復に資する設計フローを持つが,アナログと混合信号モジュールは,エキスパート直感を必要とする長い人間-イン-メディア反復ループの課題に直面し,レイアウト後回路パラメータが元の設計仕様を満たすことを検証した。与えられたターゲット設計仕様に対する回路パラメータを最適化する既存の自動化解は,図式のみ,不正確,サンプル非効率的,あるいは一般化できないという限界を持つ。本研究では,与えられたターゲット仕様に対するレイアウト後回路パラメータを見つけるだけでなく,スパースサブサンプリング技法を通して全体の設計空間に関する知識を獲得する,深い強化学習を用いて訓練された機械学習最適化フレームワークであるAutoCktを提示した。その結果,多重回路トポロジーに対して,AutoCktは,従来の遺伝的アルゴリズムよりも平均4040の,図式シミュレーションにおいて,テストされた設計目標の少なくとも96.3%で,すべての目標仕様を収束し,満たすことができることを示した。BerkeleyアナログGeneratorを用いて,AutoCktは,レイアウト寄生を考慮するとき,68時間で40のLVS通過操作増幅器を設計できる。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  シミュレーション ,  増幅器 ,  自動化 ,  アナログ系 ,  多重化 ,  回路定数 ,  ディジタル方式 ,  機械学習 ,  *強化学習 ,  遺伝的アルゴリズム ,  CMOS
準シソーラス用語： 回路トポロジー ,  システムオンチップ ,  混合信号 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： アナログ回路設計 ,  深層強化学習