В настоящее время проектирование ИС выполняется вручную и зависит от знаний инженера в данной области. Минимизация технологий привела к более сильному влиянию вторичных эффектов на рабочие характеристики схемы и в конечном счете еще более усложнила процесс проектирования, что обусловило необходимость автоматизации проектирования. Методы эвристического роевого интеллекта, основанные на высокоточном моделировании, а также методы машинного обучения и искусственного интеллекта позволяют заменить дорогостоящее моделирование оценкой производительности с помощью нейронных сетей, точность которых зависит от разнообразия и большого количества обучающих данных, не доступных для большинства задач проектирования. В работе предложена система автоматизации проектирования ИС, включающая в себя генеративно-состязательную сеть с подсчетом потерь Вассерштейна и градиентным штрафом в сочетании с матрицей коэффициентов ранговой корреляции Спирмена для управляемой генерации обучающих данных для прогнозирующей сети. Показано, что система не требует наличия огромного количества данных, использует для оценки производительности глубокую нейронную сеть, которая переобучается в процессе оптимизации, а для глобального исследования поискового пространства – генетический алгоритм. Применение спроектированного высокопроизводительного декодера со смешанной логикой и двухкаскадного операционного усилителя показало работоспособность системы автоматизированного проектирования ИС.
1. Razavi B. Design of Analog CMOS Integrated Circuits. 2nd ed. Noida, McGraw Hill India, 2017. 782 p.
2. Fayazi M., Colter Z., Afshari E., Dreslinski R. G. Applications of artificial intelligence on the modeling and optimization for analog and mixed-signal circuits: A review. IEEE Trans. Circuits Syst. I: Regul. Pap., 2021, vol. 68, no. 6, pp. 2418–2431. https://doi.org/10.1109/TCSI.2021.3065332
3. Takai N., Fukuda M. Prediction of element values of OP Amp for required specifications utilizing deep learning. 2017 International Symposium on Electronics and Smart Devices (ISESD). Yogyakarta, IEEE, 2017, pp. 300–303. https://doi.org/10.1109/ISESD.2017.8253353
4. Lourenço N., Rosa J., Martins R., Aidos H., Canelas A., Póvoa R., Horta N. On the exploration of promising analog IC designs via artificial neural networks. 2018 15th International Conference on Synthesis, Modeling, Analysis and Simulation Methods and Applications to Circuit Design (SMACD). Prague, IEEE, 2018, pp. 133–136. https://doi.org/10.1109/SMACD.2018.8434896
5. Haupt R. L. An introduction to genetic algorithms for electromagnetics. IEEE Antennas and Propagation Magazine, 1995, vol. 37, no. 2, pp. 7–15. https://doi.org/10.1109/74.382334
6. Li Ya., Wang Y., Li Yu., Zhou R., Lin Z. An artificial neural network assisted optimization system for analog design space exploration. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 2020, vol. 39, no. 10, pp. 2640–2653. https://doi.org/10.1109/TCAD.2019.2961322
7. Goodfellow I. J., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative adversarial networks. arXiv. 2014. Available at: https://arxiv.org/abs/1406.2661 (accessed: 10.07.2023).
8. Gulrajani I., Ahmed F., Arjovsky M., Dumoulin V., Courville A. Improved training of Wasserstein GANs. arXiv. 2017. Available at: https://arxiv.org/abs/1704.00028 (accessed: 10.07.2023).
9. Abadi M., Barham P., Chen J., Chen Z., Davis A., Dean J., Devin M., Ghemawat S. et al. TensorFlow: A system for large-scale machine learning. OSDI’16: Proceedings of the 12th USENIX Conference on Operating Systems Design and Implementation. Savannah, GA, USENIX, 2016, pp. 265–283.
10. Savalam C. S., Prasanti K., Haranath A. S. Design and implementation of high performance and low power mixed logic line decoders. International Journal of Innovative Technology and Exploring Engineering (IJITEE), 2019, vol. 8, iss. 6S4, pp. 635–640. https://doi.org/10.35940/ijitee.F1131.0486S419
11. HSPICE Reference Manual. Synopsys Inc., 2018. 968 p.