CN110245436A - 一种基于遗传算法和机器学习的并行模拟电路优化方法 - Google Patents

一种基于遗传算法和机器学习的并行模拟电路优化方法 Download PDF

Info

Publication number
CN110245436A
CN110245436A CN201910530806.4A CN201910530806A CN110245436A CN 110245436 A CN110245436 A CN 110245436A CN 201910530806 A CN201910530806 A CN 201910530806A CN 110245436 A CN110245436 A CN 110245436A
Authority
CN
China
Prior art keywords
circuit
spice
machine learning
individual
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910530806.4A
Other languages
English (en)
Other versions
CN110245436B (zh
Inventor
周冉冉
李亚萍
王永
李俞松
黄学政
孙娟娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201910530806.4A priority Critical patent/CN110245436B/zh
Publication of CN110245436A publication Critical patent/CN110245436A/zh
Priority to PCT/CN2019/117984 priority patent/WO2020253055A1/zh
Priority to US16/957,998 priority patent/US11714943B2/en
Application granted granted Critical
Publication of CN110245436B publication Critical patent/CN110245436B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/373—Design optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于遗传算法和机器学习的并行模拟电路优化方法。本发明包括基于遗传算法的全局优化和基于机器学习的局部优化。全局优化和局部优化交替执行。在基于遗传算法的全局优化部分，将SPICE仿真和并行计算结合，采用并行SPICE仿真，在保证精度的同时大大提高了优化效率。在基于机器学习的局部优化阶段，在全局优化得到的全局最优点附近建立机器学习模型，用该机器学习模型代替SPICE仿真器，从而减少大量SPICE仿真带来的时间成本。其中，训练机器学习模型的训练数据也是通过并行SPICE仿真生成的，相比于串行仿真，显著提高了效率。本方法对模拟电路的优化在达到SPICE级优化精度的同时，大大提高了优化效率。

Description

一种基于遗传算法和机器学习的并行模拟电路优化方法
技术领域
本发明涉及一种基于遗传算法和机器学习的并行模拟电路优化方法，属于人工智能和集成电路设计或计算机辅助设计技术领域。
背景技术
现如今集成电路设计已进入片上系统(System-on-Chip,SoC)时代。SoC一般包括模拟电路和数字电路两部分。其中，数字电路部分的设计目前可以在成熟的EDA辅助工具帮助下快速实现。而模拟部分的设计主要依靠设计者借助于SPICE等仿真软件手动设计并调试实现。由于模拟电路的设计中有很多非理想因素，在设计变量较多，设计空间较大的情况下，手工调试面临着难度大，耗时长的问题。为了解决人工调试模拟电路面临的问题，迫切需要实现模拟电路自动优化。
目前，模拟电路自动优化的方法主要分为两类：一种是基于模型的优化方法，另一种是基于SPICE仿真的优化方法。基于模型的优化方法，一般采用电路的解析模型或是其它代理模型对电路性能进行评估，并基于这些模型对电路参数在设计空间中优化，寻找最优设计。由于基于模型的计算时间远小于SPICE仿真时间，所以这种方法的优点是速度快。但是，由于解析模型或者其它代理模型的精度比SPICE仿真的精度低，所以这种方法存在精确度的问题，往往需要对优化结果进一步处理。基于SPICE仿真的优化方法，通过晶体管级电路的SPICE仿真来评估电路的性能。SPICE仿真器是一种工业标准的集成电路仿真工具，可以准确地对电路性能进行评估，问题的关键是SPICE仿真耗费时间较长。当设计变量较多，搜索空间较大的时候，需要的仿真次数达到成千上万甚至更多次，带来巨大的时间成本。因此，市场需要一种既有较好的优化精度又有较高的优化效率的模拟电路自动优化方法。
发明内容：
为解决现有技术存在的不足，本发明提供了一种基于遗传算法和机器学习的并行模拟电路优化方法。本发明结合了基于模型和基于仿真两种优化方法的优点，兼顾了模拟电路优化的效率和精度，提出了既可达到SPICE级的优化精度又有较高效率的模拟电路优化方法。
术语解释：
1、cost值，代表电路性能优劣，根据SPICE仿真得到的电路性能指标值计算得到。Cost值越小，代表电路性能越好。其中电路性能指标可以是一个或多个，也就是说本方法可以实现多目标优化。
2、正交拉丁方原理，拉丁方是一个特殊的方阵，即各个元素在每行每列中均只出现一次。正交拉丁方是指，由s个拉丁方所组成的复合方阵里，没有重复的元组，则称这s个方阵是相互正交的。
3、SPICE仿真器，SPICE(Simulation program with integrated circuitemphasis)是一种功能强大的模拟电路仿真器。
4、并行仿真技术，利用多个CPU，同时进行多次SPICE仿真。
5、电路设计变量，是指电路中需要改变的电路参数值，例如电阻、电容、MOS管的宽度(W)的值等。
6、电路性能参数，电路的性能值。例如，运算放大器的增益、带宽、相位裕度；复数滤波器的通带纹波等。
本发明的技术方案为：
一种基于遗传算法和机器学习的并行模拟电路优化方法，包括基于遗传算法的全局优化和基于机器学习的局部优化。所述全局优化和局部优化交替执行。所述基于遗传算法的全局优化，利用SPICE仿真对电路性能进行评估以达到较高的精度，同时结合并行计算技术，提高优化效率。所述基于机器学习的局部优化，在全局优化得到的最优点附近建立基于机器学习技术的电路模型，并基于该模型在局部区域内进一步优化，以得到更优的电路参数。包括步骤如下：
(1)产生初始种群：根据正交拉丁方原理，在设计空间中进行采样，得到的数据形成初始种群；设计空间是指电路设计变量的取值范围，由用户定义决定；采样是指在设计空间中，选择多组变量值；采样得到的数据包括多组电路设计变量值，每组设计变量值包括各个设计变量的值；
利用SPICE仿真器并结合并行技术，对初始种群中的各个个体同时进行SPICE仿真，即并行执行SPICE仿真，初始种群包含多组变量值，为了评估种群中每组变量值的优劣，即对每组设计变量值进行SPICE仿真，并且多次SPICE仿真同时进行，得到初始种群中各个个体的电路性能参数；个体是指初始种群中每组电路设计变量值，电路性能参数是指电路的性能值；比如，运算放大器的增益、带宽，复数滤波器的通带纹波等。电路性能参数由优化的目标电路决定。
遗传算法的初始种群采用正交拉丁方采样产生，减少了所需的种群中的个体数目，并使个体尽可能均匀分布于设计空间中。将SPICE仿真与并行计算结合，种群中众多个体的电路性能通过并行的SPICE仿真进行评估，大大提高了效率。
(2)计算个体的cost值，cost值计算公式如式(Ⅰ)，所示并选择种群中cost值最小的个体为最优个体：
(3)产生用于训练基于机器学习的电路性能模型的训练及测试数据集：
(4)利用步骤(3)得到的训练及测试数据集，训练并生成基于机器学习的电路性能模型：
利用步骤(3)得到的训练及测试数据集，进行训练模型，所述基于机器学习的电路性能模型，是指利用机器学习算法在全局最优点附近的局部范围内建立的数学模型，该模型能反映电路设计变量和性能指标之间的关系。由于所述机器学习模型是在局部区域内建立的，所需要的训练数据相比于在全局范围内建立模型需要的训练数据少，降低了时间成本。另外，局部区域内，电路性能较为稳定，建立的机器学习模型的精确度比较高，有利于所述模拟电路优化方法精度的提高。在局部优化过程中，利用建立的机器学习模型代替SPICE仿真器对电路性能进行评估。由于机器学习模型的预测速度远远大于SPICE仿真，所以可以大大提高效率。
(5)基于步骤(4)训练好的基于机器学习的电路性能模型，进行局部优化：
在全局搜索得到的最优个体的邻域内进行搜索，目的是进一步搜索性能更优，cost值更小的点。此时，电路性能不再用SPICE仿真进行评估，而是利用步骤(4)训练好的基于机器学习的电路性能模型进行预测，即将电路设计变量值作为电路性能模型的输入，运行电路性能模型，电路性能模型输出的结果就是电路性能参数；根据电路性能模型输出的电路的性能参数计算cost值，cost值计算公式如式(Ⅰ)所示，局部搜索沿cost值减小的方向进行；
(6)对步骤(5)基于机器学习的电路性能模型局部优化得到的结果，进行SPICE仿真验证，以提高上一步优化结果的精度，将SPICE仿真验证后的电路设计变量值及仿真结果更新初始种群中的最优个体；更新就是用现在的值代替原来的取值。SPICE仿真验证用于提高基于机器模型局部优化的优化结果的精确度。将SPICE验证后的局部优化结果加入下一代的种群中，目的是得到更优的种群。
(7)判断是否满足优化终止条件，如果满足达到预先设定的迭代次数，或满足电路优化的目标，则优化结束，如果不满足，进入步骤(8)；
(8)进入遗传算法的进化流程，依次通过选择、交叉、变异，产生新的种群；所述选择，是根据cost值，选取种群中的优良个体，cost值越小的个体被选中的概率越大；所述交叉，是按照预先设定的概率，在群体中随机选取种群中的一对个体，即随机选取电路的两组参数值，利用交叉算子进行交叉，产生新的个体；所述变异，是对种群中的个体的某些值，利用变异算子进行突变，产生新的个体；
(9)对步骤(8)产生的新种群，利用SPICE仿真器结合并行计算技术，并行执行SPICE仿真；
(10)重复步骤(2)到步骤(7)。
根据本发明优选的，所述步骤(2)，是指：将步骤(1)得到的SPICE仿真结果，即初始种群中各个个体的电路性能参数，代入代价函数(cost function)中，计算种群中各个个体的cost值Fcost(代价值)，cost值用于衡量电路性能的优劣，cost值最小的个体为种群中的最优个体，代价函数FcoSt如式(Ⅰ)所示：
式(Ⅰ)中，N为电路待优化性能指标的个数，n＝1,2,…N，Pn为针对第n个电路性能参数，SPICE仿真结果与电路性能参数的差值的平方，Wn为权重，代表第n个电路性能参数的重要性，Wn的值由用户根据需要设置，为一个实数。
根据本发明优选的，所述步骤(3)，是指：在步骤(2)所选的最优个体的邻域内，邻域是指最优个体的电路性能参数的5％或者用户定义的范围内，利用正交拉丁方原理进行均匀采样，得到采样数据；利用SPICE仿真器并结合并行技术，对最优个体的邻域内的采样数据同时进行SPICE仿真，即并行执行SPICE仿真，得到仿真结果；采样数据和仿真结果构成训练及测试数据集；相比于串行仿真，并行SPICE仿真可以降低时间成本，提高优化效率。
根据本发明优选的，步骤(3)所述基于机器学习的电路性能模型为人工神经网络模型(artificial neutral networks，ANN)、K近邻(K-Nearest Neighbor，KNN)模型、支持向量机(Support Vector Machine，SVM)模型、深度神经网络(Deep Neural Networks，DNN)模型、决策树(Decision Trees，DT)模型或随机森林(Random Forests)模型。根据精确度要求，选择其中合适的模型用于局部优化。
本发明基于遗传算法的全局优化和基于机器学习的局部优化交替执行，迭代一定次数，直到满足优化目标或者达到预设的迭代次数。
本发明的有益效果为：
1、本发明提出一种基于遗传算法和机器学习的并行模拟电路优化方法，在达到SPICE级优化精度的同时，显著提高了优化效率。
2、本发明提出一种基于遗传算法和机器学习的并行模拟电路优化方法，将遗传算法，SPICE仿真及并行技术结合，提高了优化效率，同时保证了优化精度。
3、本发明提出一种基于遗传算法和机器学习的并行模拟电路优化方法，在局部优化中，建立机器学习模型，利用机器学习模型预测代替SPICE仿真，提高了优化效率。对基于机器学习模型的优化结果用SPICE进一步仿真验证，保证了优化精度。
4、本发明提出一种基于遗传算法和机器学习的并行模拟电路优化方法，在局部优化中，机器学习模型的训练数据通过SPICE并行仿真产生，节省时间。
5、本发明提出一种基于遗传算法和机器学习的并行模拟电路优化方法，在全局优化中，遗传算法种群个体的评估通过并行SPICE仿真实现，在局部优化中，训练数据通过并行SPICE仿真得到，整体上实现了优化方法的并行，保证优化精度的同时提高了优化效率。
附图说明
图1为本发明一种基于遗传算法和机器学习的并行模拟电路优化方法的流程示意图。
图2为本发明一种基于遗传算法和机器学习的并行模拟电路优化方法的实施例1的五阶复数带通滤波器电路的结构图。
图3为本发明一种基于遗传算法和机器学习的并行模拟电路优化方法对于实施例1的优化进程的cost值变化曲线。
图4为本发明一种基于遗传算法和机器学习的并行模拟电路优化方法的实施例2的二阶运算放大器电路的结构图。
图5为本发明一种基于遗传算法和机器学习的并行模拟电路优化方法对于实施例2的优化进程的cost值变化曲线。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步描述，但不限于此。
实施例1
一种基于遗传算法和机器学习的并行模拟电路优化方法，电路为图2所示的五阶复数滤波器电路，该电路由第一低通滤波器、第二低通滤波器、耦合连接单元组成，第一低通滤波器及第二低通滤波器均为5阶有源RC低通滤波器，耦合连接单元包括5组耦合电阻。表1列出了该五阶复数滤波器的设计目标。
表1
也就是说本实施例的优化目标是在保证中心频率12.24MHz，带宽9MHz(偏差不超过5％)的前提下，使通带纹波尽可能的小。针对此优化目标，选择五组耦合电阻R1,R2,R3,R4,R5的电阻值作为待优化的电路设计变量。其具体实现步骤如下：如附图1所示；
(1)产生初始种群：根据正交拉丁方原理，在设计空间中进行采样，得到的数据形成初始种群；采样是指在设计空间中，选择多组变量值；采样得到的数据包括多组电路设计变量值，每组设计变量值包括各个设计变量的值；
利用SPICE仿真器并结合并行技术，对初始种群同时进行多次SPICE仿真，并行执行SPICE仿真，初始种群包含多组变量值，为了评估种群中每组变量值的优劣，即对每组设计变量值进行SPICE仿真，并且多次SPICE仿真同时进行，得到初始种群中各个个体的电路性能参数；个体是指初始种群中每组电路设计变量值，电路性能参数是指电路的性能值；比如，运算放大器的增益、带宽，复数滤波器的通带纹波等。电路性能参数由优化的目标电路决定。
遗传算法的初始种群采用正交拉丁方采样产生，减少了所需的种群中的个体数目，并使个体尽可能均匀分布于设计空间中。将SPICE仿真与并行计算结合，种群中众多个体的电路性能通过并行的SPICE仿真进行评估，大大提高了效率。
(2)计算个体的cost值，并选择种群中cost值最小的个体为最优个体：
将步骤(1)得到的SPICE仿真结果，即初始种群中各个个体的电路性能参数，代入代价函数(cost function)中，计算种群中各个个体的cost值Fcost(代价值)，cost值用于衡量电路性能的优劣，cost值最小的个体为种群中的最优个体，代价函数Fcost如式(Ⅰ)所示：
式(Ⅰ)中，N为电路待优化性能指标的个数，n＝1,2,…N，Pn为针对第n个电路性能参数，SPICE仿真结果与电路性能参数的差值的平方，Wn为权重，代表第n个电路性能的重要性，Wn的值由用户根据需要设置，为一个实数。
(3)产生用于训练基于机器学习的电路性能模型的训练及测试数据集：是指：在步骤(2)所选的最优个体的邻域内，邻域是指最优个体的电路性能参数的5％或者用户定义的范围内，利用正交拉丁方原理进行均匀采样，得到采样数据；利用SPICE仿真器并结合并行技术，对最优个体的邻域内的采样数据同时进行多次SPICE仿真，即并行执行SPICE仿真，得到仿真结果；采样数据和仿真结果构成训练及测试数据集；相比于串行仿真，并行SPICE仿真可以降低时间成本，提高优化效率。
(4)利用步骤(3)得到的训练及测试数据集，训练并生成基于机器学习的电路性能模型：
利用步骤(3)得到的训练及测试数据集，进行训练模型，所述基于机器学习的电路性能模型，是指利用机器学习算法在全局最优点附近的局部范围内建立的数学模型，该模型能反映电路设计参数和性能指标之间的关系。由于所述机器学习模型是在局部区域内建立的，所需要的训练数据相比于在全局范围内建立模型需要的训练数据少，降低了时间成本。另外，局部区域内，电路性能较为稳定，建立的机器学习模型的精确度比较高，有利于所述模拟电路优化方法精度的提高。在局部优化过程中，利用建立的机器学习模型代替SPICE仿真器对电路性能进行评估。由于机器学习模型的预测速度远远大于SPICE仿真，所以可以大大提高效率。
(5)基于步骤(4)训练好的基于机器学习的电路性能模型，进行局部优化：
在全局搜索得到的最优个体的邻域内进行搜索，目的是进一步搜索性能更优，cost值更小的点。此时，电路性能不再用SPICE仿真进行评估，而是利用步骤(4)训练好的基于机器学习的电路性能模型进行预测，即将电路设计变量值作为电路性能模型的输入，运行电路性能模型，电路性能模型输出的结果就是电路性能参数；根据电路性能模型输出的电路的性能参数计算cost值，cost值计算公式如式(Ⅰ)所示，局部搜索沿cost值减小的方向进行；
(6)对步骤(5)基于机器学习的电路性能模型局部优化得到的结果，进行SPICE仿真验证，以提高上一步优化结果的精度，将SPICE仿真验证后的电路设计变量值及仿真结果更新初始种群中的最优个体；更新就是用现在的值代替原来的取值。SPICE仿真验证用于提高基于机器模型局部优化的优化结果的精确度。将SPICE验证后的局部优化结果加入下一代的种群中，目的是得到更优的种群。
(7)判断是否满足优化终止条件，如果满足达到预先设定的迭代次数，或满足电路优化的目标，则优化结束，如果不满足，进入步骤(8)；
(8)进入遗传算法的进化流程，依次通过选择、交叉、变异，产生新的种群；所述选择，是根据cost值，选取种群中的优良个体，cost值越小的个体被选中的概率越大；所述交叉，是按照预先设定的概率，在群体中随机选取种群中的一对个体，即随机选取电路的两组参数值，利用交叉算子进行交叉，产生新的个体；所述变异，是对种群中的个体的某些值，利用变异算子进行突变，产生新的个体；
(9)对步骤(8)产生的新种群，利用SPICE仿真器结合并行计算技术，并行执行SPICE仿真；
(10)重复步骤(2)到步骤(7)。
本实施例中，平均相对误差(Average Relative Error)和相关系数(CorrelationCoefficient)用于评估基于机器学习的电路性能模型的精度。平均相对误差和相关系数的公式计算如式(Ⅱ)、式(Ⅲ)所示：
其中，n,x和y分别是训练数据集的大小，机器学习模型的预测值和SPICE仿真结果。平均相对误差代表机器学习模型输出和SPICE仿真值之间的误差。相关系数是衡量机器学习模型输出与SPICE仿真值吻合程度的统计指标。如果相关系数等于1.0，则模型输出值和目标值(SPICE仿真值)完全匹配。
为了选择合适的机器学习模型，根据上述公式，本实施例对比了常用的六种机器学习模型。包括K近邻(K-Nearest Neighbor，KNN)模型，支持向量机(Support VectorMachine，SVM)模型，深度神经网络(Deep Neural Networks，DNN)模型，随机森林(RandomForests)模型，决策树(Decision Trees，DT)模型和人工神经网络模型(artificialneutral networks，ANN)。本实施例用10个训练数据集和测试数据集来训练和测试这六种模型。其中，训练集和测试集通过SPICE仿真生成。表2列出了本实施例中六种模型的平均相对误差和相关系数的最小值，最大值和平均值。表2还列出了各个模型的训练时间。
表2
由表2可以看到，ANN模型的相对误差小于2％，比其它模型的相对误差都小。相关系数非常接近于1.0，比其它模型的相关系数都大。也就是说本实施例ANN模型的精度最高。另外，ANN模型的训练时间也很小。综合考虑，本实施例选择了ANN模型。
本实施例对于以下三种优化方法进行了比较：基于遗传算法和SPICE并行仿真的全局优化方法(GA(SPICE))，基于遗传算法和SPICE并行仿真的全局优化加基于SPICE仿真的局部优化方法(GA(SPICE)+LMS(SPICE))，基于遗传算法的全局优化和基于人工神经网络的局部优化方法(GA(SPICE)+LMS(ANN))。其中，第二种方法由于基于SPICE仿真，并且将全局优化和局部优化相结合，所以理论上精度最高，优化效果最好。
本实施例中，五阶复数带通滤波器采用130nm CMOS工艺。三个优化方法均在有80个Intel Xeon 1.9-GHz CPU核和125-GB存储的服务器环境下运行。图3显示了三种模拟电路优化方法的cost值的变化趋势。横坐标Iteration表示迭代次数，cost值正比于复数带通滤波器的通带纹波，cost值越小，电路性能越好。表3列出了这三种优化方法的优化结果。
表3
结合图3和表3可以看出，基于遗传算法的优化方法(GA(SPICE))虽然耗时最短，但是优化效果不够好，优化得到的复数带通滤波器的通带纹波比其它两种方法都大，约为第二种优化方法优化结果的二倍。此外，基于遗传算法的优化方法(GA(SPICE))还比其它两种方法提前收敛，这是因为虽然遗传算法是一种强大的全局优化算法，但是它的局部优化能力有限。所以局部优化是不可或缺的。第二种方法基于遗传算法和SPICE并行仿真的全局优化加基于SPICE仿真的局部优化方法(GA(SPICE)+LMS(SPICE))的优化效果最好，得到的复数带通滤波器的纹波最小，但是耗时最长。所述基于遗传算法和人工神经网络的模拟电路优化方法(GA(SPICE)+LMS(ANN))在精度上接近于第二种优化方法，在时间上约为第二种优化方法的四分之一，效率大大提高。说明，基于遗传算法和机器学习的优化方法兼顾了效率和精度。
实施例2
一种基于遗传算法和机器学习的并行模拟电路优化方法，电路为图4所示的二阶差分运放电路，该电路是一个全差分二阶运算放大器电路，用于实现高增益和高线性度。其中，补偿网络包括米勒补偿电容和用于提高相位裕度的调零电阻。
表4列出了该运放的优化指标。
表4
也就是说本实施例的优化目标是在满足单位增益带宽和相位裕度的前提下，尽可能增大开环增益和带宽。根据对称性要求，晶体管M2,M4,M6,M8分别与M1,M3,M5,M7相同，即它们的宽度存在以下关系：W1＝W2,W3＝W4,W5＝W6,W7＝W8。此外，补偿电容Cc和补偿电阻Rc也需要优化。所以总共有七个待优化的设计变量，分别是W1,W3,W5,W7,W9,Cc,Rc。
(1)产生初始种群：根据正交拉丁方原理，在设计空间中进行采样，得到的数据形成初始种群；采样是指在设计空间中，选择多组变量值；采样得到的数据包括多组电路设计变量值，每组设计变量值包括各个设计变量的值；
利用SPICE仿真器并结合并行技术，对初始种群同时进行多次SPICE仿真，并行执行SPICE仿真，初始种群包含多组变量值，为了评估种群中每组变量值的优劣，即对每组设计变量值进行SPICE仿真，且多次SPICE仿真并行进行，得到初始种群中各个个体的电路性能参数；个体是指初始种群中每组电路设计变量值，电路性能参数是指电路的性能值；比如，运算放大器的增益、带宽，复数滤波器的通带纹波等。电路性能参数由优化的目标电路决定。
遗传算法的初始种群采用正交拉丁方采样产生，减少了所需的种群中的个体数目，并使个体尽可能均匀分布于设计空间中。将SPICE仿真与并行计算结合，种群中众多个体的电路性能通过并行的SPICE仿真进行评估，大大提高了效率。
(2)计算个体的cost值，并选择种群中cost值最小的个体为最优个体：
将步骤(1)得到的SPICE仿真结果，即初始种群中各个个体的电路性能参数，代入代价函数(cost function)中，计算种群中各个个体的cost值Fcost(代价值)，cost值用于衡量电路性能的优劣，cost值最小的个体为种群中的最优个体，代价函数Fcost如式(Ⅰ)所示：
式(Ⅰ)中，N为电路待优化性能指标的个数，n＝1,2,…N，Pn为针对第n个电路性能参数，SPICE仿真结果与电路性能参数的差值的平方，Wn为权重，代表第n个电路性能的重要性，Wn的值由用户根据需要设置，为一个实数。
(3)产生用于训练基于机器学习的电路性能模型的训练及测试数据集：是指：在步骤(2)所选的最优个体的邻域内，邻域是指最优个体的电路性能参数的5％或者用户定义的范围内，利用正交拉丁方原理进行均匀采样，得到采样数据；利用SPICE仿真器并结合并行技术，对最优个体的邻域内的采样数据同时进行多次SPICE仿真，即并行执行SPICE仿真，得到仿真结果；采样数据和仿真结果构成训练及测试数据集；相比于串行仿真，并行SPICE仿真可以降低时间成本，提高优化效率。
(4)利用步骤(3)得到的训练及测试数据集，训练并生成基于机器学习的电路性能模型：
利用步骤(3)得到的训练及测试数据集，进行训练模型，所述基于机器学习的电路性能模型，是指利用机器学习算法在全局最优点附近的局部范围内建立的数学模型，该模型能反映电路设计参数和性能指标之间的关系。由于所述机器学习模型是在局部区域内建立的，所需要的训练数据相比于在全局范围内建立模型需要的训练数据少，降低了时间成本。另外，局部区域内，电路性能较为稳定，建立的机器学习模型的精确度比较高，有利于所述模拟电路优化方法精度的提高。在局部优化过程中，利用建立的机器学习模型代替SPICE仿真器对电路性能进行评估。由于机器学习模型的预测速度远远大于SPICE仿真，所以可以大大提高效率。
(5)基于步骤(4)训练好的基于机器学习的电路性能模型，进行局部优化：
在全局搜索得到的最优个体的邻域内进行搜索，目的是进一步搜索性能更优，cost值更小的点。此时，电路性能不再用SPICE仿真进行评估，而是利用步骤(4)训练好的基于机器学习的电路性能模型进行预测，即将电路设计变量值作为电路性能模型的输入，运行电路性能模型，电路性能模型输出的结果就是电路性能参数；根据电路性能模型输出的电路的性能参数计算cost值，cost值计算公式如式(Ⅰ)所示，局部搜索沿cost值减小的方向进行；
(6)对步骤(5)基于机器学习的电路性能模型局部优化得到的结果，进行SPICE仿真验证，以提高上一步优化结果的精度，将SPICE仿真验证后的电路设计变量值及仿真结果更新初始种群中的最优个体；更新就是用现在的值代替原来的取值。SPICE仿真验证用于提高基于机器模型局部优化的优化结果的精确度。将SPICE验证后的局部优化结果加入下一代的种群中，目的是得到更优的种群。
(7)判断是否满足优化终止条件，如果满足达到预先设定的迭代次数，或满足电路优化的目标，则优化结束，如果不满足，进入步骤(8)；
(8)进入遗传算法的进化流程，依次通过选择、交叉、变异，产生新的种群；所述选择，是根据cost值，选取种群中的优良个体，cost值越小的个体被选中的概率越大；所述交叉，是按照预先设定的概率，在群体中随机选取种群中的一对个体，即随机选取电路的两组参数值，利用交叉算子进行交叉，产生新的个体；所述变异，是对种群中的个体的某些值，利用变异算子进行突变，产生新的个体；
(9)对步骤(8)产生的新种群，利用SPICE仿真器结合并行计算技术，并行执行SPICE仿真；
(10)重复步骤(2)到步骤(7)。
为了选择合适的机器学习模型，本实施例对比了常用的六种机器学习模型。包括K近邻(K-Nearest Neighbor，KNN)模型，支持向量机(Support Vector Machine，SVM)模型，深度神经网络(Deep Neural Networks，DNN)模型，随机森林(Random Forests)模型，决策树(Decision Trees，DT)模型和人工神经网络模型(artificial neutral networks，ANN)。本实施例针对运放的增益、带宽、单位增益带宽、相位裕度四种性能指标，分别比较这六种机器学习模型的精度。对于每种模型，本实施例用10个训练数据集和测试数据集来训练和测试。其中，训练集和测试集通过SPICE仿真生成。表5、表6、表7、表8列出了本实施例中，针对运放的增益、带宽、单位增益带宽、相位裕度四种性能指标分别建立的六种模型的平均相对误差和相关系数的最小值，最大值和平均值。此外，表5到表8还列出了各个模型的训练时间。
表5
表6
表7
表8
由表5到8可以看到，ANN模型的相对误差小于2％，比其它模型的相对误差都小。相关系数非常接近于1.0，比其它模型的相关系数都大。也就是说本实施例ANN模型的精度最高。另外，ANN模型的训练时间也很小。综合考虑，本实施例选择了ANN模型。
优化步骤和实施例1中的相同。本实施例也对实施例1中的三种优化方法进行了比较。该运放采用130nm CMOS工艺。三个优化方法均在有80个Intel Xeon 1.9-GHz CPU核和125-GB存储的服务器环境下运行。图5显示了针对此运放三种优化方法的cost值的变化趋势。Cost值用于评估电路性能，Cost值越小，电路性能越好。
表9列出了这三种优化方法的优化结果。
表9
结合图5和表9可以看到，GA时间虽短，但是优化效果明显不如后两种方法。GA(SPICE)+LMS(SPICE)优化效果虽然最好，但是耗费时间最长。本发明提出的一种基于遗传算法和人工神经网络的并行自动模拟电路优化方法GA(SPICE)+LMS(ANN)，在精度上可以比拟GA(SPICE)+LMS(SPICE)方法，在时间上大大提高了效率，是一种既能达到SPICE级精度又保证效率的优化方法。

Claims (4)

1.一种基于遗传算法和机器学习的并行模拟电路优化方法，其特征在于，包括步骤如下：
(1)产生初始种群：根据正交拉丁方原理，在设计空间中进行采样，得到的数据形成初始种群；设计空间是指电路设计变量的取值范围，由用户定义决定；采样是指在设计空间中，选择多组变量值；采样得到的数据包括多组电路设计变量值，每组设计变量值包括各个设计变量的值；
利用SPICE仿真器并结合并行技术，对初始种群同时进行多次SPICE仿真，并行执行SPICE仿真，即对每组设计变量值进行SPICE仿真并多次SPICE仿真同时进行，得到初始种群中各个个体的电路性能参数；个体是指初始种群中每组电路设计变量值，电路性能参数是指电路的性能值；
(2)计算个体的cost值，并选择种群中cost值最小的个体为最优个体：
(3)产生用于训练基于机器学习的电路性能模型的训练及测试数据集：
(4)利用步骤(3)得到的训练及测试数据集，训练并生成基于机器学习的电路性能模型：
利用步骤(3)得到的训练及测试数据集，进行训练模型，所述基于机器学习的电路性能模型，是指利用机器学习算法在全局最优点附近的局部范围内建立的数学模型，该模型能反映电路设计参数和性能指标之间的关系；
(5)基于步骤(4)训练好的基于机器学习的电路性能模型，进行局部优化：
在全局搜索得到的最优个体的邻域内进行搜索，利用步骤(4)训练好的基于机器学习的电路性能模型进行预测，即将电路设计变量值作为电路性能模型的输入，运行电路性能模型，电路性能模型输出的结果就是电路性能参数；根据电路性能模型输出的电路的性能参数计算cost值，cost值计算公式如式(Ⅰ)所示，局部搜索沿cost值减小的方向进行；
(6)对步骤(5)基于机器学习的电路性能模型局部优化得到的结果，进行SPICE仿真验证，将SPICE仿真验证后的电路设计变量值及仿真结果更新初始种群中的最优个体；
(7)判断是否满足优化终止条件，如果满足达到预先设定的迭代次数，或满足电路优化的目标，则优化结束，如果不满足，进入步骤(8)；
(8)进入遗传算法的进化流程，依次通过选择、交叉、变异，产生新的种群；所述选择，是根据cost值，选取种群中的优良个体，cost值越小的个体被选中的概率越大；所述交叉，是按照预先设定的概率，在群体中随机选取种群中的一对个体，即随机选取电路的两组参数值，利用交叉算子进行交叉，产生新的个体；所述变异，是对种群中的个体的某些值，利用变异算子进行突变，产生新的个体；
(9)对步骤(8)产生的新种群，利用SPICE仿真器结合并行计算技术，并行执行SPICE仿真；
(10)重复步骤(2)到步骤(7)。
2.根据权利要求1所述的一种基于遗传算法和机器学习的并行模拟电路优化方法，其特征在于，所述步骤(2)，是指：将步骤(1)得到的SPICE仿真结果，即初始种群中各个个体的电路性能参数，代入代价函数中，计算种群中各个个体的cost值Fcost，cost值用于衡量电路性能的优劣，cost值最小的个体为种群中的最优个体，代价函数Fcost如式(Ⅰ)所示：
式(Ⅰ)中，N为电路待优化性能指标的个数，n＝1,2,…N，Pn为针对第n个电路性能参数，SPICE仿真结果与电路性能参数的差值的平方，Wn为权重，代表第n个电路性能的重要性，Wn的值由用户根据需要设置，为一个实数。
3.根据权利要求1所述的一种基于遗传算法和机器学习的并行模拟电路优化方法，其特征在于，所述步骤(3)，是指：在步骤(2)所选的最优个体的邻域内，邻域是指最优个体的电路性能参数的5％或者用户定义的范围内，利用正交拉丁方原理进行均匀采样，得到采样数据；利用SPICE仿真器并结合并行技术，对最优个体的邻域内的采样数据同时进行多次SPICE仿真，即并行执行SPICE仿真，得到仿真结果；采样数据和仿真结果构成训练及测试数据集。
4.根据权利要求1-3任一所述的一种基于遗传算法和机器学习的并行模拟电路优化方法，其特征在于，步骤(3)所述基于机器学习的电路性能模型为人工神经网络模型、K近邻模型、支持向量机模型、深度神经网络模型、决策树模型或随机森林模型。
CN201910530806.4A 2019-06-19 2019-06-19 一种基于遗传算法和机器学习的并行模拟电路优化方法 Active CN110245436B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910530806.4A CN110245436B (zh) 2019-06-19 2019-06-19 一种基于遗传算法和机器学习的并行模拟电路优化方法
PCT/CN2019/117984 WO2020253055A1 (zh) 2019-06-19 2019-11-13 一种基于遗传算法和机器学习的并行模拟电路优化方法
US16/957,998 US11714943B2 (en) 2019-06-19 2019-11-13 Parallel analog circuit optimization method based on genetic algorithm and machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910530806.4A CN110245436B (zh) 2019-06-19 2019-06-19 一种基于遗传算法和机器学习的并行模拟电路优化方法

Publications (2)

Publication Number Publication Date
CN110245436A true CN110245436A (zh) 2019-09-17
CN110245436B CN110245436B (zh) 2021-03-30

Family

ID=67887985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910530806.4A Active CN110245436B (zh) 2019-06-19 2019-06-19 一种基于遗传算法和机器学习的并行模拟电路优化方法

Country Status (3)

Country Link
US (1) US11714943B2 (zh)
CN (1) CN110245436B (zh)
WO (1) WO2020253055A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639471A (zh) * 2020-06-01 2020-09-08 浙江大学 一种基于循环神经网络的电磁干扰滤波器设计方法
CN111797117A (zh) * 2020-07-02 2020-10-20 北京润科通用技术有限公司 一种数据处理方法及装置
WO2020253055A1 (zh) * 2019-06-19 2020-12-24 山东大学 一种基于遗传算法和机器学习的并行模拟电路优化方法
CN112383237A (zh) * 2020-10-09 2021-02-19 河南科技大学 一种并网逆变器的模型预测控制方法
CN112417803A (zh) * 2020-12-02 2021-02-26 苏州复鹄电子科技有限公司 一种基于人工智能算法的模拟集成电路设计参数自动优化方案
CN112836459A (zh) * 2021-02-02 2021-05-25 山东大学 一种电路解析模型辅助的模拟电路自动优化方法、设备及存储介质
CN113051856A (zh) * 2021-03-24 2021-06-29 西安电子科技大学 集成电路设计数据的优化方法
CN113283213A (zh) * 2021-07-19 2021-08-20 苏州贝克微电子有限公司 一种基于机器学习的电路设计系统及方法
CN113381700A (zh) * 2021-06-29 2021-09-10 哈尔滨工业大学 一种高频无源rc积分放大器的rc参数设计方法
CN113627087A (zh) * 2021-08-23 2021-11-09 中机中联工程有限公司 基于物流仿真与机器学习的生产系统参数自适应优化方法
CN114297934A (zh) * 2021-12-30 2022-04-08 无锡雪浪数制科技有限公司 一种基于代理模型的模型参数并行仿真优化方法及装置
WO2022174755A1 (zh) * 2021-02-19 2022-08-25 阿里巴巴集团控股有限公司 信息处理方法及装置、计算设备
CN117422005A (zh) * 2023-12-19 2024-01-19 杭州四维映射软件有限公司 一种模拟电路仿真误差自动控制的方法及应用
CN117473932A (zh) * 2023-10-27 2024-01-30 华南理工大学 一种敏捷设计库驱动的dtco高效优化方法
CN117556775A (zh) * 2024-01-10 2024-02-13 电子科技大学 多目标芯片电路参数优化设计方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668697B (zh) * 2020-12-25 2024-04-09 西安电子科技大学 一种无人机飞控控制参数的模糊测试方法及系统
CN112712118B (zh) * 2020-12-29 2024-06-21 银江技术股份有限公司 一种面向医疗文本数据的过滤方法及系统
CN112966447A (zh) * 2021-03-25 2021-06-15 北京化工大学 一种基于自动机器学习的化学材料吸附性能预测方法及装置
CN114429099B (zh) * 2022-01-27 2024-01-19 西安交通大学 一种模拟集成电路参数优化方法及系统
CN114970431B (zh) * 2022-06-29 2024-04-02 上海集成电路装备材料产业创新中心有限公司 Mos管参数估计模型的训练方法和装置
CN116312899B (zh) * 2023-05-12 2023-08-01 中国人民解放军战略支援部队航天工程大学 一种基于激光雷达成像的材料表面brdf参数拟合方法和系统
CN116362174B (zh) * 2023-05-24 2023-08-29 湖南大学 Igbt设计参数全局优化方法及系统
CN116844642B (zh) * 2023-07-03 2024-03-29 燕山大学 基于dna杂交反应技术的新型线性机器学习方法
CN116702678B (zh) * 2023-08-02 2024-01-30 华南理工大学 一种融合深度学习和群智能算法的dtco优化方法
CN117949831B (zh) * 2024-03-27 2024-05-31 牡丹江师范学院 一种可调式物理相似模拟实验平台

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289549A (zh) * 2011-08-11 2011-12-21 复旦大学 一种模拟集成电路优化方法
CN104111871A (zh) * 2013-04-16 2014-10-22 济南概伦电子科技有限公司 一种用于执行电路仿真中动态负载平衡的方法及装置
US9928324B1 (en) * 2014-04-29 2018-03-27 Cadence Design Systems, Inc. System and method for accurate modeling of back-miller effect in timing analysis of digital circuits

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8554530B1 (en) * 2009-01-20 2013-10-08 Cadence Design Systems, Inc. Methods and systems for property assertion in circuit simulation
US9047424B1 (en) * 2013-10-25 2015-06-02 Cadence Design Systems, Inc. System and method for analog verification IP authoring and storage
US10867091B1 (en) * 2018-08-17 2020-12-15 Synopsys, Inc. Machine learning based power optimization using parallel training and localized data generation
CN110245436B (zh) * 2019-06-19 2021-03-30 山东大学 一种基于遗传算法和机器学习的并行模拟电路优化方法
US11581700B1 (en) * 2019-10-04 2023-02-14 Freedom Photonics Llc Multiple optoelectronic devices with thermal compensation
US11861722B2 (en) * 2020-02-18 2024-01-02 BlueOwl, LLC Systems and methods for generating and updating an inventory of personal possessions of a user for insurance purposes
CN111931446B (zh) * 2020-09-24 2021-01-01 中天弘宇集成电路有限责任公司 建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289549A (zh) * 2011-08-11 2011-12-21 复旦大学 一种模拟集成电路优化方法
CN104111871A (zh) * 2013-04-16 2014-10-22 济南概伦电子科技有限公司 一种用于执行电路仿真中动态负载平衡的方法及装置
US9928324B1 (en) * 2014-04-29 2018-03-27 Cadence Design Systems, Inc. System and method for accurate modeling of back-miller effect in timing analysis of digital circuits

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁旭等: "基于学习机制的退火并行遗传算法应用研究", 《系统工程学报》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253055A1 (zh) * 2019-06-19 2020-12-24 山东大学 一种基于遗传算法和机器学习的并行模拟电路优化方法
CN111639471A (zh) * 2020-06-01 2020-09-08 浙江大学 一种基于循环神经网络的电磁干扰滤波器设计方法
CN111639471B (zh) * 2020-06-01 2022-05-27 浙江大学 一种基于循环神经网络的电磁干扰滤波器设计方法
CN111797117A (zh) * 2020-07-02 2020-10-20 北京润科通用技术有限公司 一种数据处理方法及装置
CN112383237B (zh) * 2020-10-09 2022-03-22 河南科技大学 一种并网逆变器的模型预测控制方法
CN112383237A (zh) * 2020-10-09 2021-02-19 河南科技大学 一种并网逆变器的模型预测控制方法
CN112417803A (zh) * 2020-12-02 2021-02-26 苏州复鹄电子科技有限公司 一种基于人工智能算法的模拟集成电路设计参数自动优化方案
CN112417803B (zh) * 2020-12-02 2024-02-06 苏州复鹄电子科技有限公司 一种基于人工智能算法的模拟集成电路设计参数自动优化方法
CN112836459A (zh) * 2021-02-02 2021-05-25 山东大学 一种电路解析模型辅助的模拟电路自动优化方法、设备及存储介质
WO2022174755A1 (zh) * 2021-02-19 2022-08-25 阿里巴巴集团控股有限公司 信息处理方法及装置、计算设备
CN113051856B (zh) * 2021-03-24 2024-01-19 西安电子科技大学 集成电路设计数据的优化方法
CN113051856A (zh) * 2021-03-24 2021-06-29 西安电子科技大学 集成电路设计数据的优化方法
CN113381700A (zh) * 2021-06-29 2021-09-10 哈尔滨工业大学 一种高频无源rc积分放大器的rc参数设计方法
CN113381700B (zh) * 2021-06-29 2024-01-30 哈尔滨工业大学 一种高频无源rc积分放大器的rc参数设计方法
CN113283213A (zh) * 2021-07-19 2021-08-20 苏州贝克微电子有限公司 一种基于机器学习的电路设计系统及方法
CN113627087B (zh) * 2021-08-23 2023-11-03 中机中联工程有限公司 基于物流仿真与机器学习的生产系统参数自适应优化方法
CN113627087A (zh) * 2021-08-23 2021-11-09 中机中联工程有限公司 基于物流仿真与机器学习的生产系统参数自适应优化方法
CN114297934A (zh) * 2021-12-30 2022-04-08 无锡雪浪数制科技有限公司 一种基于代理模型的模型参数并行仿真优化方法及装置
CN117473932A (zh) * 2023-10-27 2024-01-30 华南理工大学 一种敏捷设计库驱动的dtco高效优化方法
CN117422005A (zh) * 2023-12-19 2024-01-19 杭州四维映射软件有限公司 一种模拟电路仿真误差自动控制的方法及应用
CN117422005B (zh) * 2023-12-19 2024-03-29 杭州四维映射软件有限公司 一种模拟电路仿真误差自动控制的方法及应用
CN117556775A (zh) * 2024-01-10 2024-02-13 电子科技大学 多目标芯片电路参数优化设计方法
CN117556775B (zh) * 2024-01-10 2024-03-22 电子科技大学 多目标芯片电路参数优化设计方法

Also Published As

Publication number Publication date
WO2020253055A1 (zh) 2020-12-24
US11714943B2 (en) 2023-08-01
CN110245436B (zh) 2021-03-30
US20230092630A1 (en) 2023-03-23

Similar Documents

Publication Publication Date Title
CN110245436A (zh) 一种基于遗传算法和机器学习的并行模拟电路优化方法
US8074189B2 (en) Pruning-based variation-aware design
US7657416B1 (en) Hierarchical system design
CN104834479A (zh) 面向云平台的自动优化存储系统配置的方法及系统
CN103838820B (zh) 基于近邻传播的进化多目标优化社区检测方法
CN107944046A (zh) 大规模高维数据快速检索方法及系统
CN111191361A (zh) 一种基于随机森林的螺旋电感建模方法
CN117236278B (zh) 一种基于数字孪生技术的芯片生产仿真方法及系统
CN108879732A (zh) 电力系统暂态稳定评估方法及装置
CN116432570A (zh) 一种芯片的测试用例生成方法、装置及存储介质
CN107633294A (zh) 一种应用于RBF 神经网络的改进Sobol 敏感性分析方法
CN112765743A (zh) 一种风电机组整机一体化设计多目标协同优化方法及装置
CN106296434A (zh) 一种基于pso‑lssvm算法的粮食产量预测方法
CN115906303A (zh) 一种基于机器学习的平面微波滤波器设计方法及装置
CN108805419B (zh) 基于网络嵌入与支持向量回归的电网节点重要度计算方法
CN110362911A (zh) 一种面向设计过程的代理模型选择方法
CN111859785B (zh) 流体特征提取方法、系统、计算机可读存储介质及设备
Benito-Parejo et al. An evolutionary algorithm for selection of test cases
CN108595764A (zh) 电路模块行为级建模方法及系统
CN116127695A (zh) 一种基于综合性能评价的生产线构建方法及系统
Pillans Efficiency of evolutionary search for analog filter synthesis
Samiee et al. FRLDM: Empowering K-nearest neighbor (KNN) through FPGA-based reduced-rank local distance metric
CN114169731A (zh) 一种科研机构评级系统、方法、设备和存储介质
JPH0561848A (ja) 最適アルゴリズムの選定及び実行のための装置及び方法
CN113033064A (zh) 一种基于支持向量机的电力设备冲击负荷模拟方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant