CN114492279B - 一种模拟集成电路的参数优化方法及系统 - Google Patents
一种模拟集成电路的参数优化方法及系统 Download PDFInfo
- Publication number
- CN114492279B CN114492279B CN202210101249.6A CN202210101249A CN114492279B CN 114492279 B CN114492279 B CN 114492279B CN 202210101249 A CN202210101249 A CN 202210101249A CN 114492279 B CN114492279 B CN 114492279B
- Authority
- CN
- China
- Prior art keywords
- training
- sample
- response
- iteration
- training sample
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 136
- 230000004044 response Effects 0.000 claims abstract description 80
- 238000013461 design Methods 0.000 claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012804 iterative process Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 56
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明公开了一种模拟集成电路的参数优化方法及系统,所述方法包括以下步骤:获取待参数优化的模拟集成电路的电路结构、性能指标要求、设计参数及其取值范围、迭代停止条件;基于获取的设计参数及其取值范围,采样获得训练样本集;将所述训练样本集中的每个样本分别输入电路仿真器进行仿真,获得对应的训练响应集;基于所述训练样本集和训练响应集进行迭代,实现模拟集成电路的参数优化。本发明为缓解维数灾难的问题,使算法具有处理高维优化问题的能力,提出了一种基于互信息分析的逐步优化策略;在每次迭代中,仅选取部分设计变量进行优化,能够缓解维数灾难。
Description
技术领域
本发明属于模拟集成电路设计技术领域,涉及贝叶斯算法优化领域,特别涉及一种模拟集成电路的参数优化方法及系统。
背景技术
模拟集成电路通常占据混合信号片上系统一小部分晶元面积,由于缺乏成熟的自动化设计方案,模拟集成电路的参数需要人工方式选取与修调,其过程费时枯燥且高度依赖于设计人员的直觉与经验,模拟集成电路的设计成为了一款片上系统上市时间(time tomarket)的关键瓶颈。随着机器学习的发展,基于机器学习的模拟集成电路参数优化方法近些年来受到了广泛的关注。
当下基于机器学习的模拟集成电路优化方法是将电路设计参数优化的问题转为最优化问题,进而采用最优化算法进行求解,诸如遗传算法、贝叶斯优化、深度强化学习、遗传算法、粒子群算法、模拟退火等。由于模拟集成电路的仿真时间较长(特别是在考虑蒙特卡洛仿真与工艺角仿真时),故而针对昂贵问题的贝叶斯优化算法近些年来倍受学者的关注。
贝叶斯优化通常将高斯过程作为代理模型,基于已有的训练样本训练高斯过程,进而达到近似真实仿真器的响应的目的。完成高斯过程的训练后。基于高斯过程输出的均值与不确定性,采集函数(acquisition function)评估出一个最具采样的点交于电路仿真器进行仿真,以此来达到扩充训练样本的目的。随着迭代的进行,采集函数的输出不断趋向于全局最优解。
目前已有的基于贝叶斯优化模拟集成电路参数优化技术中,仅是将成熟的贝叶斯优化算法直接应用于模拟集成电路参数优化问题上,并没有充分挖掘模拟集成电路的设计特点,根据电路的先验知识设计相应的算法。故而,受制于贝叶斯优化自身存在的“维数灾难”问题,该方法仅能应用在一些规模较小的电路上(通常维数≤10)。当上述现有方法在优化较为常用的模拟集成电路时(通常维数在20~40之间),难以在有限的计算资源下收敛至最优解,导致丧失了使用价值。
另外,从算法计算复杂度的角度来说,由于基于高斯过程的贝叶斯优化计算复杂度为O(n3)(n为迭代的次数),在有限的计算资源下,贝叶斯优化算法的迭代次数是有限的,进一步增加了贝叶斯优化算法处理高维度问题的难度。
发明内容
本发明的目的在于提供一种模拟集成电路的参数优化方法及系统,以解决上述存在的一个或多个技术问题。具体解释性的,本发明为缓解维数灾难的问题,使算法具有处理高维优化问题的能力,提出了一种基于互信息分析的逐步优化策略;本发明在每次迭代中,仅选取部分设计变量进行优化,能够缓解维数灾难。
为达到上述目的,本发明采用以下技术方案:
本发明提供的一种模拟集成电路的参数优化方法,包括以下步骤:
获取待参数优化的模拟集成电路的电路结构、性能指标要求、设计参数及其取值范围、迭代停止条件;
基于获取的设计参数及其取值范围,采样获得训练样本集;将所述训练样本集中的每个样本分别输入电路仿真器进行仿真,获得对应的训练响应集;
基于所述训练样本集和训练响应集进行迭代,实现模拟集成电路的参数优化;
其中,所述迭代过程的每次迭代包括:
贝叶斯优化算法随机选择一个性能指标,基于训练样本集和训练响应集计算获得选择的性能指标与各设计参数之间的互信息,选择互信息最大的预设个设计参数作为高斯过程的训练样本集;对训练响应集进行加权求和,获得高斯过程的目标集;基于所述高斯过程的训练样本集与所述高斯过程的目标集,构建获得高斯过程回归模型;
采集函数执行最大化操作,获得采集函数取得最大值的样本点;
从训练样本集中构成的帕累托前沿中任选出一个样本点,对采集函数获得的样本点的其余设计参数进行填充,构成贝叶斯优化算法最终的样本点;
将所述贝叶斯优化算法最终的样本点输入电路仿真器进行仿真,获得样本响应值;若所述样本响应值达到性能指标要求或满足迭代停止条件后,则终止迭代;否则将所述贝叶斯优化算法最终的样本点与原始的训练样本集合并,构成更新后的训练样本集,样本响应值与原始的训练响应集合并,构成更新后的训练响应集,所述更新后的训练样本集和所述更新后的训练响应集用于下次迭代。
本发明方法的进一步改进在于,所述采集函数执行最大化操作,获得采集函数取得最大值的样本点的步骤具体包括:
利用预训练好的可行域分类器进行预测;若样本点分类为负样本,则不进行采集函数的计算并输出一个极小值;若样本点分类为正样本,进行采集函数的计算。
本发明方法的进一步改进在于,所述预训练好的可行域分类器的获取步骤包括:
随机选取一个性能指标并设定阈值,对选取的性能指标在训练响应集中的响应数据进行二值化处理,获得二值化处理结果;
基于训练样本集与二值化处理结果训练,获得所述预训练好的可行域分类器。
本发明方法的进一步改进在于,所述可行域分类器的输入为设计参数,输出为0或1,用于指示该设计参数是否在可行域范围内。
本发明提供的一种模拟集成电路的参数优化系统,包括:
初始化模块,用于获取待参数优化的模拟集成电路的电路结构、性能指标要求、设计参数及其取值范围、迭代停止条件;
训练集获取模块,用于基于获取的设计参数及其取值范围,采样获得训练样本集;将所述训练样本集中的每个样本分别输入电路仿真器进行仿真,获得对应的训练响应集;
优化模块,用于基于所述训练样本集和训练响应集进行迭代,实现模拟集成电路的参数优化;
其中,所述迭代过程的每次迭代包括:
贝叶斯优化算法随机选择一个性能指标,基于训练样本集和训练响应集计算获得选择的性能指标与各设计参数之间的互信息,选择互信息最大的预设个设计参数作为高斯过程的训练样本集;对训练响应集进行加权求和,获得高斯过程的目标集;基于所述高斯过程的训练样本集与所述高斯过程的目标集,构建获得高斯过程回归模型;
采集函数执行最大化操作,获得采集函数取得最大值的样本点;
从训练样本集中构成的帕累托前沿中任选出一个样本点,对采集函数获得的样本点的其余设计参数进行填充,构成贝叶斯优化算法最终的样本点;
将所述贝叶斯优化算法最终的样本点输入电路仿真器进行仿真,获得样本响应值;若所述样本响应值达到性能指标要求或满足迭代停止条件后,则终止迭代;否则将所述贝叶斯优化算法最终的样本点与原始的训练样本集合并,构成更新后的训练样本集,样本响应值与原始的训练响应集合并,构成更新后的训练响应集,所述更新后的训练样本集和所述更新后的训练响应集用于下次迭代。
本发明系统的进一步改进在于,所述采集函数执行最大化操作,获得采集函数取得最大值的样本点的步骤具体包括:
利用预训练好的可行域分类器进行预测;若样本点分类为负样本,则不进行采集函数的计算并输出一个极小值;若样本点分类为正样本,进行采集函数的计算。
本发明系统的进一步改进在于,所述预训练好的可行域分类器的获取步骤包括:
随机选取一个性能指标并设定阈值,对选取的性能指标在训练响应集中的响应数据进行二值化处理,获得二值化处理结果;
基于训练样本集与二值化处理结果训练,获得所述预训练好的可行域分类器。
本发明系统的进一步改进在于,所述可行域分类器的输入为设计参数,输出为0或1,用于指示该设计参数是否在可行域范围内。
与现有技术相比,本发明具有以下有益效果:
其一,本发明具有处理实际电路中面临的高维优化问题的能力。具体的,考虑到模拟集成电路中某一个电路性能指标主要由少数几个晶体管决定,在每次迭代时,本发明的贝叶斯优化算法并不是直接优化所有设计变量,而是首先随机选择一个性能指标,识别与该指标最相关的几个设计参数变量进行优化,相当于将一个高维优化问题转变为若干个低维优化问题进行处理。此后通过对采集函数获得的样本点的其余设计参数进行填充的方式,构成了完整的设计变量,输入电路仿真器进行仿真,通过这种方式,使得本发明中具有了实际电路面临的高维优化问题的能力。
其二,由于高维采集函数的优化也是一个昂贵问题,在低维空间下进行处理,可以避免高维采集函数优化计算资源开销过大的问题。
其三,为进一步提高优化效率,加速算法收敛速度,提出了一种基于电路可行域分类的采集函数。即训练一个二分类器对设计参数的取值空间进行识别,仅在在二分类器判定为可行域的区间内进行采集函数最大化的操作,尽可能的避免采集函数输出的点落入到不可行区域,增加了无效的迭代次数。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种模拟集成电路的参数优化方法的流程示意框图;
图2是本发明实施例中,两级放大电路的应用场景示意图;
图3是本发明实施例中,FoM值的学习曲线示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
本发明实施例的一种模拟集成电路的参数优化方法,具体是一种基于贝叶斯优化的模拟集成电路的参数优化方法,包括以下步骤:
获取待参数优化的模拟集成电路的电路结构、性能指标要求、设计参数及其取值范围、迭代停止条件;
基于获取的设计参数及其取值范围,在设计空间内采样得到训练样本集;
将所述训练样本集中的每个样本分别输入电路仿真器进行仿真,获得对应的训练响应集;
完成了上述训练样本集与训练响应集的获取后,进入迭代过程;其中,(1)在每次迭代中,算法随机选择一个性能指标,利用上述的样本集与响应集计算该性能指标与各维度之间的互信息,选择互信息最大的几个维度作为高斯过程的训练样本集;对响应集进行加权求和后,作为高斯过程的目标集;基于上述的训练样本集与高斯过程的目标集,构建高斯过程回归模型(2)在每次迭代完成了高斯过程回归模型构建后,随机选择一性能指标并对其设定一阈值,对训练响应集中的该指标的数据进行二值化处理;基于训练样本集与二值化处理的结果训练一个可行域分类器。可行域分类器的输入为设计参数,输出为零或一,用于指示该设计参数是否在可行域范围内。(3)在每次迭代完成了可行域分类器的训练后,采集函数执行最大化操作,并保存采集函数取得最大值的样本点。在最大化采集函数时,利用上述已经训练好的可行域分类器进行预测,若该点被分类为负样本时,不进行计算采集函数的计算并输出一个极小值,若该点被分类为正样本时,进行计算的采集函数。(4)在每次迭代完成了采集函数最大化后,从初始化样本集中构成的帕累托前沿中任选出一个样本点,对采集函数输出的样本点的其余维度进行填充,构成算法最终输出的样本点。(5)在每次迭代输出了最终的样本点后,将该样本点输入电路仿真器进行仿真,获得该样本的响应值。该样本点与原始的训练样本集合并,构成新的训练样本集。该样本点对应的响应值与原始的训练目标集合并,构成新的目标集。
随着迭代的进行,训练样本集与训练响应集得到扩充,算法输出的样本点也逐渐趋向于最优解。当该样本的响应值达到性能指标要求或满足迭代停止条件后,终止迭代。
本发明上述实施例具体提出了一种基于贝叶斯优化的模拟集成电路的参数优化方法,其主要优点有:1)由于在每次迭代过程中,本发明的贝叶斯优化算法并不是直接优化所有设计变量,而是随机选择一个性能指标,仅优化与该指标相关的几个变量,将高维优化问题转变为低维优化问题进行处理,故而具有处理实际电路中面临的高维优化问题的能力;2)由于采集函数是在低维空间中进行计算的,故而最大化采集函数的计算复杂度得以降低,算法的计算速度更快;3)算法中训练的可行域分类器降低了算法输出样本点落在了不可行域的概率,进一步提高优化效率,加速算法收敛速度。
请参阅图1,本发明实施例下面做具体阐述:
1.实验设定步骤S1:给定待优化电路结构、电路的指标要求、电路设计参数及其取值范围、迭代停止条件。
2.初始化步骤S2:基于获取的设计参数及其取值范围,在设计空间内采样N个样本,构成训练样本集X,其中X=[x1,x2,...xi,...xN],xi代表第i个样本。将训练样本集中的每一个样本送至电路仿真器进行仿真。得到训练样本集X的训练响应集Y,响应集为各性能指标的打分结果,用于评价每个指标的好坏。其中,X为N×D维的矩阵,Y为N×K的矩阵,D代表设计变量的维度,K代表电路指标的个数。在完成初始化步骤后,进入迭代步骤S3至S9,每一次迭代产生一个新的样本xt,与新的样本对应的响应值yt。
本发明实施例中,具体的迭代步骤包括:
3.变量选择步骤S3:在第t次迭代时,随机选取一个电路指标c,根据该指标的响应值Yc(Yc为Y中指标c对应的一列),利用Yc和X进行互信息分析,进而得到与指标c最关联的M个设计变量,从X中选择出对应的M列得到XM。
4.高斯过程构建步骤S4:基于XM与Ysum构建高斯过程模型,Ysum为Y为横向相加的结果,其维度为N×1。
5.可行域分类器训练步骤S5:随机选择一性能指标b,在Y中选择出对应的一列Yb,对其进行二值化处理:即设定一阈值,该列中的元素大于该阈值设为1,否则设为0,构成Ybb。以X为输入,Ybb为标签,训练一个二分类器。
6.采集函数最大化步骤S6:在计算采集函数前,利用步骤S5训练好的二分类器对输入采集函数的点进行预测,若该点被分类为负样本(处在非可行域),则直接返回0。若分类为正样本,则正常进行采集函数的计算。最大化采集函数,求得让采集函数最大化的解xM。
7.填充步骤S7:从(X,Y)构成的帕累托前沿中,任选出一个点xP,用xM替代掉xP中的M维对应的变量,构成xt,xt是本次迭代中要添加至训练样本集X中的迭代产生结果。
8.仿真评估步骤S8:xt送入仿真器中进行电路仿真,进而得到其响应值yt。yt是本次迭代中要添加至训练响应集Y中的迭代产生结果。
9.迭代判断步骤S9:对yt判断,是否达到电路的指标要求。若达到指标要求,则终止迭代。若未达到指标要求,则返回步骤S3继续迭代。
请参阅图1至图3,图2中以两级放大器为例,该电路第一级为折叠式共源共栅电路,第二级为共源式放大器。包括密勒补偿电路及偏置电路,该放大器的电源电压为1.8V,其负载为10pF的电容。
本发明实施例的一种针对高维模拟集成电路参数的自动优化方法,该优化方法为迭代执行的方式,包括以下步骤:实验设定步骤S1、初始化步骤S2、变量选择步骤S3、高斯过程创建步骤S4、可行域分类器训练步骤S5、采集函数最大化步骤S6、填充步骤S7、仿真评估步骤S8、迭代判断步骤S9。其中步骤S3至步骤S9迭代执行,每次迭代后,步骤S8输出一组设计变量,步骤S9来判断该设计变量是否达到电路指标要求,进而选择是否退出迭代步骤。下面就每个步骤做具体阐述。
实验设定步骤S1:1)给定电路结构如图2所示;2)给定电路指标要求:电路性能指标要求如由公式(1)描述,其中Iq为静态电路,GAIN为直流增益,UGB为单位增益带宽,PM为相位裕度,No为输出噪声,PSRR为电源抑制比。电路的指标要求分为硬约束指标与软约束指标两种。其中Iq为软约束指标,期望其小于一定阈值后还可以尽可能的小。而对于增益、带宽等其它硬约束指标,仅需要超过某一个阈值后即可。3)给定电路优化参数的取值范围:考虑到电路的匹配性,本实施例中待设计参数有28个,每个晶体管的宽度取值范围为0.18-4um,宽长比取值范围为5-500。4)给定迭代停止条件:迭代800次停止。
minimize Iq
s.t.Iq<1mA
GAIN>80dB
UGB>10MHz
PM>57.5°
No<350uV/sqrt(Hz)@1kHz
PSRR>80 dB≤1kHz (1)
初始化步骤S2:随机采样200个数据点,构成训练样本集X,由于该电路设计参数数目为28,因此X为200×28的矩阵。通过HSPICE进行电路仿真,得到仿真结果后进行打分得到训练响应集Y。由于考虑的电路指标有6个,Y为200×6的矩阵。打分按照公式(2)所述。
其中,qc用于表征每一个指标的好坏,wi为每一项的权重,默认值为1。下面阐述qc的计算方式。对于某一指标c,当该指标为硬约束指标时,若该指标需要大于某一阈值,qc由公式(3)计算,否则由公式(4)计算。当该指标为软约束指标时,若期望该指标越大越好,qc由(5)式计算,否则由(6)式计算。
qc(x)=min(mc,mspec c)/mspec c (3)
qc(x)=max(mc/mspec c,1) (4)
qc(x)=mc/mspec c (5)
qc(x)=mspec c/mc (6)
其中mc为电路仿真后的指标大小,mspec c为硬约束目标指标。需要指出的是,对于软约束指标,当其未达到指标要求前,该指标的qc由(3)或(4)来计算,当其超过指标要求后,该指标的qc由(5)或(6)来计算。
变量选择步骤S3:在第t次迭代时,已有历史数据集Xt。随机选取一个电路指标c,根据该指标的响应Yc(Yc为Y中指标c对应的一列),利用Yc和X进行互信息分析,进而得到与指标c最关联的M个设计变量,从X中选择出对应的M列得到XM。
高斯过程构建步骤S4:基于XM与Ysum构建高斯过程模型,Ysum为Y为横向相加的结果,其维度为N×1。
可行域分类器训练步骤S5:随机选择一性能指标,在Y中选择出对应的一列Yb,对其进行二值化处理:设定一阈值,该列中的元素大于该阈值设为1,否则设为0,构成Ybb。以X为输入,Ybb为标签,训练一个采用基于指数核函数的软间隔支持向量机(SVM)。
采集函数最大化步骤S6:在采集函数计算前,利用步骤S5中训练好的SVM对输入到采集函数的点进行预测,若该点被分类为负样本,采集函数直接输出最小值0。若被分类为正样本,则进行采集函数的计算,采集函数选择期望最大化(Expected Improvement)。以多启动的方式优化采集函数,即在参数优化范围内,向采集函数随机输入大量的采样点,计算采集函数的值。选择10个采集函数计算结果最高的点作为L_BFGS算法的初始点,进行算法的迭代。在算法迭代的结果中选择最好的点xP,作为采集函数最大化步骤的输出。
填充步骤S7:从(X,Y)构成的帕累托前沿中,任选出一个点xP,用xM替代掉xP中的M维对应的变量,构成xt,xt是本次迭代中要添加至样本集X中的迭代产生结果。
仿真评估步骤S8:xt送入仿真器中进行电路仿真,进而得到其响应值yt。yt是本次迭代中要添加至训练响应集Y中的迭代产生结果。
迭代判断步骤S9:对yt判断,是否达到电路的指标要求。若达到指标要求,则终止迭代。若未达到指标要求,则返回步骤S3继续迭代。
本发明实施例所提出的算法,分别与weiBO算法、PSO算法、GA算法、随机采样(Random)进行对比,实验进行了8次,将实验结果求平均,绘制学习曲线如图3所示,横坐标为迭代次数,纵坐标为迭代次数。由于本实施例有6个指标,因此黑色粗实线(y=6.0)可以用于判断优化是否满足硬约束。从图3可以看出,仅有PSO算法与我们的算法可以满足电路的硬约束指标,完成电路的指标要求。而本发明提出的算法可以实现最好的指标性能。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节,请参照本发明方法实施例。
本发明再一实施例中,本发明实施例提供的一种模拟集成电路的参数优化系统,包括:
初始化模块,用于获取待参数优化的模拟集成电路的电路结构、性能指标要求、设计参数及其取值范围、迭代停止条件;
训练集获取模块,用于基于获取的设计参数及其取值范围,采样获得训练样本集;将所述训练样本集中的每个样本分别输入电路仿真器进行仿真,获得对应的训练响应集;
优化模块,用于基于所述训练样本集和训练响应集进行迭代,实现模拟集成电路的参数优化;
其中,所述迭代过程的每次迭代包括:
贝叶斯优化算法随机选择一个性能指标,基于训练样本集和训练响应集计算获得选择的性能指标与各设计参数之间的互信息,选择互信息最大的预设个设计参数作为高斯过程的训练样本集;对训练响应集进行加权求和,获得高斯过程的目标集;基于所述高斯过程的训练样本集与所述高斯过程的目标集,构建获得高斯过程回归模型;
采集函数执行最大化操作,获得采集函数取得最大值的样本点;
从训练样本集中构成的帕累托前沿中任选出一个样本点,对采集函数获得的样本点的其余设计参数进行填充,构成贝叶斯优化算法最终的样本点;
将所述贝叶斯优化算法最终的样本点输入电路仿真器进行仿真,获得样本响应值;若所述样本响应值达到性能指标要求或满足迭代停止条件后,则终止迭代;否则将所述贝叶斯优化算法最终的样本点与原始的训练样本集合并,构成更新后的训练样本集,样本响应值与原始的训练响应集合并,构成更新后的训练响应集,所述更新后的训练样本集和所述更新后的训练响应集用于下次迭代。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种模拟集成电路的参数优化方法,其特征在于,包括以下步骤:
获取待参数优化的模拟集成电路的电路结构、性能指标要求、设计参数及其取值范围、迭代停止条件;
基于获取的设计参数及其取值范围,采样获得训练样本集;将所述训练样本集中的每个样本分别输入电路仿真器进行仿真,获得对应的训练响应集;
基于所述训练样本集和训练响应集进行迭代,实现模拟集成电路的参数优化;
其中,所述迭代过程的每次迭代包括:
贝叶斯优化算法随机选择一个性能指标,基于训练样本集和训练响应集计算获得选择的性能指标与各设计参数之间的互信息,选择互信息最大的预设个设计参数作为高斯过程的训练样本集;对训练响应集进行加权求和,获得高斯过程的目标集;基于所述高斯过程的训练样本集与所述高斯过程的目标集,构建获得高斯过程回归模型;
采集函数执行最大化操作,获得采集函数取得最大值的样本点;
从训练样本集中构成的帕累托前沿中任选出一个样本点,对采集函数获得的样本点的其余设计参数进行填充,构成贝叶斯优化算法最终的样本点;
将所述贝叶斯优化算法最终的样本点输入电路仿真器进行仿真,获得样本响应值;若所述样本响应值达到性能指标要求或满足迭代停止条件后,则终止迭代;否则将所述贝叶斯优化算法最终的样本点与原始的训练样本集合并,构成更新后的训练样本集,样本响应值与原始的训练响应集合并,构成更新后的训练响应集,所述更新后的训练样本集和所述更新后的训练响应集用于下次迭代;
所述采集函数执行最大化操作,获得采集函数取得最大值的样本点的步骤具体包括:
利用预训练好的可行域分类器进行预测;若样本点分类为负样本,则不进行采集函数的计算并输出一个极小值;若样本点分类为正样本,进行采集函数的计算。
2.根据权利要求1所述的一种模拟集成电路的参数优化方法,其特征在于,所述预训练好的可行域分类器的获取步骤包括:
随机选取一个性能指标并设定阈值,对选取的性能指标在训练响应集中的响应数据进行二值化处理,获得二值化处理结果;
基于训练样本集与二值化处理结果训练,获得所述预训练好的可行域分类器。
3.根据权利要求2所述的一种模拟集成电路的参数优化方法,其特征在于,所述可行域分类器的输入为设计参数,输出为0或1,用于指示该设计参数是否在可行域范围内。
4.一种模拟集成电路的参数优化系统,其特征在于,包括:
初始化模块,用于获取待参数优化的模拟集成电路的电路结构、性能指标要求、设计参数及其取值范围、迭代停止条件;
训练集获取模块,用于基于获取的设计参数及其取值范围,采样获得训练样本集;将所述训练样本集中的每个样本分别输入电路仿真器进行仿真,获得对应的训练响应集;
优化模块,用于基于所述训练样本集和训练响应集进行迭代,实现模拟集成电路的参数优化;
其中,所述迭代过程的每次迭代包括:
贝叶斯优化算法随机选择一个性能指标,基于训练样本集和训练响应集计算获得选择的性能指标与各设计参数之间的互信息,选择互信息最大的预设个设计参数作为高斯过程的训练样本集;对训练响应集进行加权求和,获得高斯过程的目标集;基于所述高斯过程的训练样本集与所述高斯过程的目标集,构建获得高斯过程回归模型;
采集函数执行最大化操作,获得采集函数取得最大值的样本点;
从训练样本集中构成的帕累托前沿中任选出一个样本点,对采集函数获得的样本点的其余设计参数进行填充,构成贝叶斯优化算法最终的样本点;
将所述贝叶斯优化算法最终的样本点输入电路仿真器进行仿真,获得样本响应值;若所述样本响应值达到性能指标要求或满足迭代停止条件后,则终止迭代;否则将所述贝叶斯优化算法最终的样本点与原始的训练样本集合并,构成更新后的训练样本集,样本响应值与原始的训练响应集合并,构成更新后的训练响应集,所述更新后的训练样本集和所述更新后的训练响应集用于下次迭代;
所述采集函数执行最大化操作,获得采集函数取得最大值的样本点的步骤具体包括:
利用预训练好的可行域分类器进行预测;若样本点分类为负样本,则不进行采集函数的计算并输出一个极小值;若样本点分类为正样本,进行采集函数的计算。
5.根据权利要求4所述的一种模拟集成电路的参数优化系统,其特征在于,所述预训练好的可行域分类器的获取步骤包括:
随机选取一个性能指标并设定阈值,对选取的性能指标在训练响应集中的响应数据进行二值化处理,获得二值化处理结果;
基于训练样本集与二值化处理结果训练,获得所述预训练好的可行域分类器。
6.根据权利要求5所述的一种模拟集成电路的参数优化系统,其特征在于,所述可行域分类器的输入为设计参数,输出为0或1,用于指示该设计参数是否在可行域范围内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210101249.6A CN114492279B (zh) | 2022-01-27 | 2022-01-27 | 一种模拟集成电路的参数优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210101249.6A CN114492279B (zh) | 2022-01-27 | 2022-01-27 | 一种模拟集成电路的参数优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114492279A CN114492279A (zh) | 2022-05-13 |
CN114492279B true CN114492279B (zh) | 2024-01-19 |
Family
ID=81476857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210101249.6A Active CN114492279B (zh) | 2022-01-27 | 2022-01-27 | 一种模拟集成电路的参数优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492279B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048885B (zh) * | 2022-08-12 | 2022-11-15 | 阿里巴巴(中国)有限公司 | 电路设计参数调整方法、装置、电子设备和存储介质 |
CN116484228B (zh) * | 2023-05-04 | 2024-02-06 | 小米汽车科技有限公司 | 模型训练方法、工艺确定方法、装置、电子设备和介质 |
CN117217156B (zh) * | 2023-08-31 | 2024-05-28 | 中山大学 | 基于贝叶斯优化的射频电路版图迭代方法、设备和介质 |
CN117236276B (zh) * | 2023-11-13 | 2024-02-20 | 深圳飞骧科技股份有限公司 | 基于贝叶斯优化设计滤波器参数的方法、系统及相关设备 |
CN117688887B (zh) * | 2024-02-04 | 2024-04-26 | 电子科技大学(深圳)高等研究院 | 一种基于知识和数据双驱动人工智能的电路设计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109960834A (zh) * | 2017-12-25 | 2019-07-02 | 复旦大学 | 一种基于多目标贝叶斯优化的模拟电路多目标优化设计方法 |
CN110750948A (zh) * | 2018-07-06 | 2020-02-04 | 复旦大学 | 一种基于多目标获取函数集成并行贝叶斯优化的模拟电路优化算法 |
CN111597757A (zh) * | 2020-05-13 | 2020-08-28 | 山东女子学院 | 基于多目标加点准则的gp模型辅助slpso算法 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
EP3805999A1 (en) * | 2019-10-10 | 2021-04-14 | Accenture Global Solutions Limited | Resource-aware automatic machine learning system |
CN113962163A (zh) * | 2021-11-25 | 2022-01-21 | 电子科技大学 | 一种实现无源微波器件高效设计的优化方法、装置和设备 |
-
2022
- 2022-01-27 CN CN202210101249.6A patent/CN114492279B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109960834A (zh) * | 2017-12-25 | 2019-07-02 | 复旦大学 | 一种基于多目标贝叶斯优化的模拟电路多目标优化设计方法 |
CN110750948A (zh) * | 2018-07-06 | 2020-02-04 | 复旦大学 | 一种基于多目标获取函数集成并行贝叶斯优化的模拟电路优化算法 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
EP3805999A1 (en) * | 2019-10-10 | 2021-04-14 | Accenture Global Solutions Limited | Resource-aware automatic machine learning system |
CN111597757A (zh) * | 2020-05-13 | 2020-08-28 | 山东女子学院 | 基于多目标加点准则的gp模型辅助slpso算法 |
CN113962163A (zh) * | 2021-11-25 | 2022-01-21 | 电子科技大学 | 一种实现无源微波器件高效设计的优化方法、装置和设备 |
Non-Patent Citations (1)
Title |
---|
基于帕累托贝叶斯网络的变压器故障诊断系统软件设计;俞玲;李启本;贾金伟;;电力与能源(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114492279A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114492279B (zh) | 一种模拟集成电路的参数优化方法及系统 | |
CN112270545A (zh) | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 | |
US9836564B1 (en) | Efficient extraction of the worst sample in Monte Carlo simulation | |
CN112488183B (zh) | 一种模型优化方法、装置、计算机设备及存储介质 | |
JP5503633B2 (ja) | トピックモデル学習方法、装置、及びプログラム | |
US20230185998A1 (en) | System and method for ai-assisted system design | |
CN113011529B (zh) | 文本分类模型的训练方法、装置、设备及可读存储介质 | |
CN110991621A (zh) | 一种基于通道数搜索卷积神经网络的方法 | |
JP7186591B2 (ja) | テキスト分類装置、学習装置、およびプログラム | |
WO2010048758A1 (en) | Classification of a document according to a weighted search tree created by genetic algorithms | |
Kyriacou et al. | Efficient PCA-driven EAs and metamodel-assisted EAs, with applications in turbomachinery | |
US8533653B2 (en) | Support apparatus and method for simplifying design parameters during a simulation process | |
CN113011532A (zh) | 分类模型训练方法、装置、计算设备及存储介质 | |
Dehuri et al. | A condensed polynomial neural network for classification using swarm intelligence | |
CN116976461A (zh) | 联邦学习方法、装置、设备及介质 | |
CN114969148A (zh) | 一种基于深度学习的系统访问量预测方法、介质和设备 | |
CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
US20240103920A1 (en) | Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system | |
JP6233432B2 (ja) | 混合モデルの選択方法及び装置 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN113112092A (zh) | 一种短期概率密度负荷预测方法、装置、设备和存储介质 | |
JP7242590B2 (ja) | 機械学習モデル圧縮システム、プルーニング方法及びプログラム | |
CN114118411A (zh) | 图像识别网络的训练方法、图像识别方法及装置 | |
CN116670689A (zh) | 多级多目标自动化机器学习 | |
KR20220061835A (ko) | 하드웨어 가속 장치 및 방법 |
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 |