Optimalizační algoritmus pro umístění součástek v analogových obvodech

Abstract

Kvůli své rozmanitosti není fyzický design (layout) analogových integrovaných obvodů a obvodů smíšených signálů v současné době automatizován v takové míře, jako je v případě digitálních integrovaných obvodů. Automatizace tohoto procesu by výrazně zkrátila čas návrhu. Proces umístění součástek (placement), jedna z hlavních částí procesu návrhu layoutu, je formulován pomocí celočíselného lineárního programování. Specifická doménová omezení jsou implementována a výsledný model je vyhodnocen na jak umělé vytvořených, tak reálných datech, poskytnutých průmyslovým partnerem STMicroelectronics. Schopnosti modelu jsou zhodnoceny jak experty na problematiku layoutu, tak kvantitativně porovnány s manuálně vytvořenými designy. Další metody pro zvýšení výkonnosti, jako například ILP warm-start, jsou analyzovány, včetně použití genetického algoritmu, který lze užít separátně bez řešiče úloh celočíselného lineárního programování. Dále je studována metoda založená na posilovaném učení, použitá pro zlepšení výkonnosti genetického algoritmu.

Due to its diversity, the physical design (layout) of the analog and mixed-signal integrated circuits is not as automated as the physical design of digital integrated circuits. Automating this process would significantly shorten the design time. The placement process, one of the critical steps of the layout process, is formulated using an integer linear programming approach. Domain-specific constraints are formalized, and the model is evaluated on both synthetically generated and real-life problem instances provided by industrial partner STMicroelectronics. The model's capabilities are evaluated both by experts in layout engineering and quantitatively compared with manual designs. Additional methods for performance improvement, such as ILP warm-starting, are studied, including the genetic algorithm approach, which may be used separately without the explicit use of the integer linear programming solver. The machine-learning method based on reinforcement learning, used to improve the performance of the aforementioned genetic algorithm, is also studied.