UT Austin和Analog Devices的研究人员发表了一篇题为“APOSTLE:使用DNN学习对模拟晶体管进行异步并行优化”的新技术论文。
摘要
“就人工投入的工作量和所花费的计算时间而言，模拟电路规模是一个高成本的过程。随着技术的快速发展和市场需求的增加，自动化上浆解决方案受到了广泛的关注。本文介绍了一种基于深度神经网络(DNN)学习的模拟晶体管尺寸异步并行优化方法APOSTLE。这项工作介绍了几种方法，以尽量减少实时优化的大小任务由几个不同的模拟与不同的时间成本。本文的主要贡献是:(1)一个批量优化框架，(2)一个新的深度神经网络架构，用于在现有解决方案不总是完全评估时探索设计点，(3)一个基于廉价评估的排名逼近方法，(4)一个理论方法，在廉价和昂贵的模拟之间平衡，以最大化优化效率。与其他黑盒优化方法相比，我们的方法在小型建筑模块和大型工业电路上都显示出更高的实时效率，同时达到类似或更好的性能。”
找到这里是技术文件．2023年1月出版。
艾哈迈德·f·布达克，大卫·斯玛特，布莱恩·斯旺，大卫·z·潘，2023。模拟晶体管尺寸的异步并行优化
使用DNN学习。第28届亚洲和南太平洋设计自动化会议(ASPDAC ' 23)， 2023年1月16日至19日，日本东京。ACM，纽约，纽约，美国，6页。https://doi.org/10.1145/3566097.3567880
Imec的计算路线图;美国对华为为目标;美印。特遣部队;China-Bolivia交易;布鲁克揭开了白光干涉测量系统;三星量化可持续性;麦肯锡指出了美国晶圆厂建设的问题;发光二极管。
留下回复