.png){kind=icon}
返回
Evolutionary Bayesian Optimization for automated circuit sizing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113483.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
利用人工智能进行电路自动尺寸设计是一个兴趣日益增长的领域，这主要归功于其加速产品上市时间并提高员工满意度的潜力。针对这类问题，基于不同基础研究哲学的众多方法已被开发出来。尽管其中一些方法在收敛速度方面表现良好，但鲁棒性通常较少受到关注。本研究提出了一种名为进化贝叶斯优化（EBO）的新型自动电路尺寸设计框架。它是一种结合了进化计算技术和贝叶斯优化优势的混合方法。EBO充分利用并行仿真基础设施，通过内在使用大批量仿真。我们的方法特别为多目标问题设计。因此，它可以在无需构建性能指标函数的情况下优化各种电路。此外，对探索设计变量高维空间的强烈重视确保了EBO在不同问题复杂度下均表现出鲁棒性和可靠性。我们将该框架与两种具有不同底层哲学思想的先进方法以及这一类问题中最有前途的多目标进化算法在四种电路（两种专有电压调节器、一种开源电压调节器及一种开源运算放大器）上进行了比较。结果表明，EBO在收敛速度和鲁棒性方面优于其他被考虑的方法。通常，与次优方法相比，它可节省30%至70%的电路仿真次数。此外，EBO是唯一一种能够找到满足所有被考虑电路规格的电路配置的方法。
Keyword:
Electronic design automation
Circuit sizing
Multi-objective optimization
Evolutionary computation
Bayesian Optimization
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
Efficient Global Optimization of MEMS Based on Surrogate Model Assisted Evolutionary Algorithm.png)
Proceedings of the 2016 Design, Automation & Test in Europe Conference & Exhibition (DATE)
Proceedings of the 2016 Design, Automation & Test in Europe Conference & Exhibition (DATE)IF0
PREAI
分享收藏分享收藏
分享收藏Taking the Human Out of the Loop: A Review of Bayesian Optimization将人类带出循环: 贝叶斯优化的回顾PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏Mixed-Variable Bayesian Optimization for Analog Circuit Sizing through Device Representation Learning通过器件表示学习进行模拟电路尺寸设计的混合变量贝叶斯优化Electronics
OAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容