Методы схемотехнического и топологического синтеза аналоговых интегральных схем по спецификации с использованием методов машинного обучения и дифференцируемого программирования

Задача разработки принципиальной электрической схемы, возникающая при создании аналоговых интегральных схем, сформулирована как задача оптимизации дифференцируемой гладкой функции с помощью комбинации методов дифференцируемого программирования и методов машинного обучения. Показано, что такой подход позволяет достичь требований спецификации и предложить оптимальную комбинацию схемотехнических шаблонов, составляющих аналоговую интегральную схему, без привлечения методов комбинаторной оптимизации и обучения с подкреплением. Показано, что такой подход дает значительные преимущества по скорости по сравнению с традиционными методами, основанными на обучении с подкреплением. Исследована возможность полностью автоматического синтеза аналоговой ИС от спецификации до топологии без участия эксперта с помощью программных средств с открытым исходным кодом. Показаны преимущества и недостатки такого подхода.

1. Hastings A. The art of analog layout. – Prentice hall New Jersey, 2001, 576 p.

2. Settaluri, K., Haj-Ali, A., Huang, Q., Hakhamaneshi, K., & Nikolic, B. (2020, March). Autockt: Deep reinforcement learning of analog circuit designs. In 2020 Design, Automation & Test in Europe Conference & Exhibition (DATE) (pp. 490-495). IEEE.

3. Budak, A. F., Jiang, Z., Zhu, K., Mirhoseini, A., Goldie, A., & Pan, D. Z. (2022, January). Reinforcement learning for electronic design automation: Case studies and perspectives. In 2022 27th Asia and South Pacific Design Automation Conference (ASP-DAC) (pp. 500-505). IEEE.

4. Khan, S., Shi, Z., Li, M., & Xu, Q. (2024, March). DeepSeq: Deep Sequential Circuit Learning. In 2024 Design, Automation & Test in Europe Conference & Exhibition (DATE) (pp. 1-2). IEEE.

5. Xu, B., Zhu, K., Liu, M., Lin, Y., Li, S., Tang, X., ... & Pan, D. Z. (2019, November). MAGICAL: Toward fully automated analog IC layout leveraging human and machine intelligence. In 2019 IEEE/ACM International Conference on Computer-Aided Design (ICCAD) (pp. 1-8). IEEE.

6. Kunal, K., Madhusudan, M., Sharma, A. K., Xu, W., Burns, S. M., Harjani, R., ... & Sapatnekar, S. S. (2019, June). ALIGN: Open-source analog layout automation from the ground up. In Proceedings of the 56th Annual Design Automation Conference 2019 (pp. 1-4).

7. Abel, I., Neuner, M., & Graeb, H. E. (2021). A hierarchical performance equation library for basic op-amp design. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 41(7), 1976-1989.

8. Blondel, M., & Roulet, V. (2024). The elements of differentiable programming. arXiv preprint arXiv:2403.14606.

9. Baydin A. G. et al. Automatic differentiation in machine learning: a survey //Journal of machine learning research. – 2018. – Т. 18. – №. 153. – С. 1-43.

10. Doersch, C. (2016). Tutorial on variational autoencoders. arXiv preprint arXiv:1606.05908.

11. Malkov, Y. A., & Yashunin, D. A. (2018). Efficient and robust approximate nearest neighbor search using hierarchical navigable small world graphs. IEEE transactions on pattern analysis and machine intelligence, 42(4), 824-836.

12. Dodge, H. D. (2020). Xyce Case Study (No. SAND-2020-2877R). Sandia National Lab.(SNL-NM), Albuquerque, NM (United States).

13. Rahman, M. S., Suvo, S. H., Kamal, Z., & Rahman, T. (2024, May). Standard Cell Library Characterization Flow Using Open Source Tools with Google+ SkyWater 130nm PDK. In 2024 6th International Conference on Electrical Engineering and Information & Communication Technology (ICEEICT) (pp. 1175-1180). IEEE.