机器学习电路模拟加速工作流
关键的外卖
机器学习电路模拟的挑战是什么,如何才能规避?
机器学习如何实现从传统模拟器有何不同?
使用模拟预测。
电路模拟器是必要的工具来检查内在的信号特征
一个至关重要的元素设计的反馈和测试电路仿真。尽管模拟环境不能捕获电路的整体特征,它们提供一些见解的操作板,可以用来早日看到时序图等重要资源和其他信号参数。电路仿真患有权衡常见的繁重的计算任务——指的是更准确的软件,时间越长机器来呈现信息(反之亦然)。
幸运的是,机器学习电路仿真的目的是桥的两个极端操作抽象,同时仍然提供高度精确的结果。作为机器学习领域继续发展和成长,解决方案与电路仿真只能将变得更加健壮。
接近机器学习电路模拟的挑战
模拟的时间成本在机器学习是最重要的开销模型的训练。为了解决这一问题,必须采用新的和更复杂的模型增加开发时间的速度要快多了。深层神经网络等模型,可以作为预测工具机器学习模拟电路设计。
一个解决方案来减少计算负荷以及时间是比较模拟值而不是绝对的。在前,两个电路是美联储作为输入到模型中,只有选择哪两个参数的测量就越大。而不是适合每个参数,比较选择大大减少所需的时间致力于模型训练。
寄生
机器学习电路仿真期间也遇到了问题模拟电路设计。由于寄生的存在固有的所有组件,计算值前后的布局可以显著不同。这不是一个故障的模型,而是一个固有的设计挑战的两个阶段之间的布局。寄生不能准确占之前的初始阶段修订完成(但在迭代模型),附近的组件布局和痕迹的形状以及电路将这些的最终驱动电路的贡献。
寄生此外,有时由人类设计师作为估计比一个更严格的方法。这自然导致更多的困难在设计一个机器学习模型处理寄生在其设计还提出了一种优化电路仿真的开发途径。一些小调整设计和必要的适应性要求开关从人类操作员机器学习模型,不仅可以减少迭代轮的数量也增加最终设计产品的质量。常见的有很多机器学习解决方案,该模型不灵活,需要更大的推广更多种类的电路的仿真。
机器学习在传统方法的优点
即使在它的幼年期,机器学习模拟电路具有很大帮助在传统模拟器的精度和效率。一个名副其实的每蒲式耳的模型创建并修改,试图找到最好的解决方案特定和一般问题在机器学习设计空间。首先在这些电路模拟的支持向量机(SVM),神经网络,和随机森林技术,与常规优化模拟退火。这三种方法之间存在权衡,更适合他们特定的解决方案:
- 支持向量机-定义了一个线,最好区分两个不同的数据分类。更好的线把两个数据类,就越容易为模型进行排序。
- 随机森林,使用随机决策树训练方法和聚合或平均决策模型训练的目的。
- 神经网络- - - - - -数据与已知的输入和结果值是美联储系统形成和重量,表明连接的强度。
机器学习模型,如神经网络,提供一些在电路模拟表达优势
电源在电路仿真设计的作用
决定的权力画电路对电路功率的成功是至关重要的设计将严重影响设计的各个阶段,从堆栈起来,继续通过布局和路由。更准确地缓解电力需求、模拟可以运行在高和低的抽象级别,一般这些目标之间的权衡是精度和速度。机器学习解决方案基础上更高层次的抽象模拟提供一个更加健壮和加快分析协助PCB设计的现代急转弯环境。
电力设计模拟一个当前的解决方案包括使用高级编程语言描述(典型的C / c++)和一些硬件信息分析的支柱。相比更准确,但计算严格的和长时间的方法使用在大门口层面,前者分析方法能够达到类似水平的准确性更迅速。
准确预测功率电路负载减少设计迭代周期
机器学习电路仿真越来越多设计师工程师和布局的灵活性;节奏的全套PCB设计和分析软件机器学习工具包含软件仿真和建模来改善你的当前和未来的设计工作流。
大型电子产品提供商依赖节奏产品优化能力,空间,能源需求为广泛的市场应用。如果你想了解更多关于我们的创新的解决方案,跟我们的专家团队或订阅我们的YouTube频道。