机器学习助力模拟电路设计:集成电路设计的智能自动化

楼市   2024-11-08 23:32   重庆  

博士论文机器学习助力模拟电路设计:集成电路设计的智能自动化(Machine Learning Meets Analog Circuit Design Intelligent Automation of IC Design

**作者**:Morteza Fayazi

## 一、研究背景

模拟和混合信号(AMS)电路在众多领域应用广泛,但传统设计方法面临诸多挑战,如物理模型复杂、工艺偏差大、设计周期长、手动设计效率低、后布局模拟耗时等。随着对高性能、低功耗和快速上市集成电路需求的增长,自动化AMS电路设计迫在眉睫。机器学习(ML)在不同领域成果显著,也为AMS电路设计带来新机遇,如性能估计、高阶模型构建、生产测试优化、电路尺寸自动优化等,但同时也面临训练数据需求大、数据集收集困难等问题。

## 二、研究目的

本论文旨在提出一系列创新方法,实现AMS电路设计的自动化,包括自动生成单电路板计算机(SBC)、模拟电路以及对射频(RF)电路进行功能建模,提高设计效率、降低成本并减少对人工经验的依赖。

## 三、研究内容

### (一)FASCINET:基于神经网络的全自动单电路板计算机生成器

1. **工具功能**   - 提出一种新颖的自动SBC生成工具FASCINET,可根据用户输入的主组件信息(规格或数据表)及指令,自动设计定制化外围电路,生成SBC原理图,并能优化主组件的总功率和价格。

2. **关键技术**   - **数据表清理器**:包含基于卷积神经网络(CNN)的类别识别器和表格提取器。类别识别器能准确识别数据表类别,准确率超95%;表格提取器可从数据表中提取关键信息,精度超96%。

  - **外围电路生成器**:采用分层深度神经网络(HDNN)模型,根据主组件和指令确定所需外围组件及其连接和值,还能通过多标签深度神经网络(DNN)分类器确定组件值。

3. **实验验证**   - 在包含770,000多个组件的测试集上,对400个人工设计的SBC与FASCINET生成的SBC进行对比,结果表明FASCINET设计的SBC与人工设计的高度相似,差异主要源于设计方法不同,而非功能缺陷。使用FASCINET生成SBC原理图平均耗时2 - 5分钟,远快于人工设计。

### (二)Tablext:基于神经网络和启发式方法的表格提取工具

1. **工具功能**   - 提出通用格式表格提取工具Tablext,可处理各种格式文件中的表格,能有效识别并提取表格数据,不受表格内部编码和布局复杂性影响。

2. **关键技术**   - **表格位置识别**:通过两个CNN和YOLO对象检测网络组合,先将图像切片处理,确定表格的Y和X坐标,再结合两者结果准确识别表格位置,提高识别精度并减少搜索空间。

  - **表格提取**:先识别表格的高级结构,包括垂直和水平线条,再利用位置数据推断线条,通过自适应阈值距离处理不同密度表格,最后用CNN纠正不符合结构的单元格,并用光学字符识别(OCR)软件Tesseract提取单元格内容。

3. **实验验证**   - 在包含400多个表格的数据集上进行表格识别测试,结合CNN和YOLO的模型在精度和召回率上表现出色。在ICDAR 2013表格数据集和多样化数据集上进行表格提取测试,Tablext在精度和F1分数上优于其他方法,能处理复杂表格结构,而其他工具如Tabula在处理复杂表格时存在结构错误。

### (三)AnGeL:基于神经网络辅助半监督学习的全自动模拟电路生成器

1. **工具功能**   - 提出全自动模拟电路生成框架AnGeL,能根据用户给定的电路总体规格,执行从电路拓扑确定到电路参数确定(尺寸确定)的所有原理图设计步骤,支持多种电路拓扑,可设计复杂模拟电路,如运算放大器(OPAMP)和滤波器。

2. **关键技术**   - **数据库生成**:利用协同学习神经网络模型生成数据库,结合简单拓扑数据集确定复杂拓扑电路行为,减少所需标记数据量,生成的数据库包含标记和未标记数据。

  - **整体拓扑决策器**:通过网络规格计算器模型计算子电路规格对整体电路的影响,利用整体规格分解器模型将总体规格分解为子电路规格并确定高层拓扑,包括分类器选择合适拓扑和回归器确定子电路目标规格。

  - **子电路拓扑选择器**:输入子电路目标规格,通过分类模型(如随机森林、支持向量机、神经网络等)

  - 从数据库候选拓扑中选择最合适的拓扑,分析不同分类模型,选择准确率最高的神经网络作为子电路拓扑选择器模型。

  - **子电路尺寸确定**:先训练回归神经网络估计子电路功能,再通过全局(如网格搜索)和局部(如粒子群优化)优化引擎确定电路参数,使输出规格接近目标规格,同时考虑约束条件转换。在全局优化阶段,通过网格搜索覆盖设计空间找到接近目标规格的设计,然后在局部优化阶段使用粒子群优化进一步优化,利用训练好的神经网络估计电路功能以加速优化过程。

3. **实验验证**   - 以OPAMP和滤波器设计为例进行评估,性能通过SPICE模拟验证。结果显示,与现有方法相比,AnGeL所需标记数据量显著减少(4.7x - 1090x),运行速度更快(2.9x - 75x),平均百分比误差小于0.043,能在短时间内以高精度设计具有约40个设计参数的电路。例如,在OPAMP设计中,AnGeL能根据不同阶段的目标规格生成电路,满足约束条件并优化功率,在滤波器设计中也能准确实现所需的通带带宽、增益等规格。

### (四)FuNToM:基于神经网络辅助双端口分析方法的RF电路功能建模

1. **工具功能**   - 提出RF电路功能建模方法FuNToM,利用双端口分析方法和神经网络对多种电路拓扑进行建模,减少训练数据需求,提高建模效率,适用于包含有源和无源元件的RF电路。

2. **关键技术**   - **神经网络模型**:将电路分解为多个电气网络(E-network),用主神经网络根据E-network的S参数和非E-network设计参数确定性能指标(PoI),用子神经网络确定E-network的S参数,通过组合这些模型实现基于电路设计参数的PoI确定,主神经网络采用电路连接启发式神经网络(CCI - NN)结构以减少训练数据需求。同时,根据电路特点和设计需求,分析比较了全连接神经网络(FC - NN)和CCI - NN结构,选择CCI - NN结构以提高建模效果。

  - **电路分区为E-network**:通过不同方式将电路分区为E-network,不同分区方式影响训练数据需求和神经网络结构,目前手动分区,未来可采用自动化方法。例如,在对移相器和两级低噪声放大器(LNA)建模时,尝试不同的分区方式,发现将拓扑分为两个E-network时,主神经网络训练数据需求增加,但子神经网络和总体训练数据需求减少。

3. **实验验证**   - 对多个移相器和两级低噪声放大器(LNA)进行建模测试,与现有建模方法对比。结果表明,FuNToM在保持相同精度的情况下,所需训练数据量减少2.8x - 10.9x,在布局后建模中收集训练集的时间减少176.8x - 188.6x,平均R2分数达0.95。在移相器建模中,FuNToM能准确预测不同开关条件下的插入相位等规格,且运行速度比SPICE快20倍;在LNA建模中,无论是在原理图还是布局后建模,FuNToM都能有效减少训练数据需求,提高建模效率,如在布局后建模中,相比其他方法可节省大量时间(约240,000小时)。

## 四、研究贡献

1. 提出FASCINET,实现了SBC设计的自动化,包括数据表处理、外围电路生成等功能,提高了设计效率,为SBC设计提供了新的方法和工具,使得SBC设计可在短时间内完成,且设计结果与人工设计高度相似。

2. 开发Tablext,提供了一种高效准确的表格提取方法,能处理多种格式文件中的表格,优于现有工具,为数据挖掘和信息检索等领域提供了有力支持,能够从复杂文档中准确提取表格数据。

3. 构建AnGeL框架,利用神经网络和半监督学习技术,减少模拟电路设计所需标记数据,提高设计速度和精度,支持多种电路拓扑和复杂设计,为模拟电路自动化设计提供了新的解决方案,使得复杂模拟电路设计更加高效和可靠。

4. 提出FuNToM方法,基于双端口分析和神经网络对RF电路进行功能建模,减少训练数据需求,提高建模效率,尤其在布局后建模中优势明显,为RF电路设计和优化提供了新的手段,有助于提高RF电路设计的自动化水平和性能。

## 五、未来研究方向

1. 结合电路知识与机器学习,利用电路设计原则(如运算放大器的设计规则)引导电路优化和性能建模,减少设计空间和训练数据需求,提高设计效率。例如,根据电路参数对性能指标的影响,有针对性地优化电路设计,避免不必要的计算和优化过程。

2. 针对特定AMS电路类型(如锁相环、模数转换器等)应用人工智能,实现更高效、简单的电路设计,如利用人工智能检测和去除噪声,或通过自动化诊断和解决电路故障提升电路性能。通过深入研究特定电路类型的特点和需求,开发专门的人工智能算法和模型,提高电路设计的质量和可靠性,同时降低设计成本和时间。

3. 探索自动化电路设计中的可解释性问题,提高机器学习模型在电路设计中的透明度和可理解性,使工程师能够更好地信任和应用自动化设计工具。例如,解释神经网络模型在电路设计决策中的依据,帮助工程师理解和验证设计结果,进一步推动自动化电路设计的发展和应用。

IP Liberator
致力于打造集成电路IP共享平台,包括Analog/Mixed/RF/Digital IP。
 最新文章