介绍了电路设计机器学习

关键的外卖

• 机器学习如何使用实际测量来指导它的过程。

• 激励机制是许多机器学习的核心方法。

• 设计空间的重要性,以及它的大小和适航性影响机器学习模型。

机器学习提供的能力使平凡的一些电路CAD的设计方面

机器学习自动执行许多任务,长期以来被认为是太复杂了,电脑就和电路设计也不例外。技术的持续进步,以及进一步研究和发展为科学数据和支持字段,导致产业快速增长,甚至一些年前似乎太过复杂的自动化。

自动化公司和运营商能够混到他们设计工作流的表达优势:密集的设计可以减少部分或全部布局。反馈或人力监督仍然允许用户编辑运行这个后机器的性能通常与高速公路布局设计者将如何工作的软件。不过,电路设计机器学习持有的承诺更强大的东西:一个电路,可以建立在一个合理的时间表以最小的监督,释放的设计师多数的布局工作。设计师可以因此更有效的时间贡献给更高级别的抽象设计,让机械和单调乏味的工作自动化。

电路设计机器学习如何开始?

电路设计中最困难的一个方面机器学习是PCB设计的本质。虽然有明确的失误,避免,“最好”的行动依赖于各种各样的输入,修改一个参数在贬值的另一个不可避免的结果。虽然有几种训练方法电路的机器学习相比,困难更多的长度是标准的数据输出时间生成数据,更少的时间来构建一个足够大的数据集进行训练。

此外,许多训练方法往往是专有的和包含个体工商户;虽然这允许多个方法的进步,但有时会阻碍整体进步。调整机器学习,必须确定哪些参数形式最基本的评价跨广泛的拓扑电路的功能。可能包括基本的电路特性,但并不一定局限于:

• 获得,的放大一个输入信号的能力,典型的电压、电流或功率。增益越大,增加信号幅度越大;各种微分放大器用于增加一个信号,以满足最小阈值检测水平。

• 带宽,最高和最低频率之间的距离范围。

• 力量- - - - - -能量转移的速率。减少权力画的主要目的是增加董事会自治的领域可能没有可访问性。

• 区域-该地区致力于板上的电路。没有诱导显著的EMI / EMC问题,较小的区域更为有益的整体布局,特别是在一个常见的密度板的设计。

奖励激励机器学习的行为

奖励函数比例根据设计标准的数量满足激励每个迭代的批判以及如何有效地提高了参数作为评价的基础。最后两个参数是用密集的董事会的地区特别重要的收缩和密度增加,电气和机械从线电感可能出现问题,不合格的热耗散或其他近端效应。几十年来,减少模具已经能够支持董事会小型化,但随着摩尔定律放缓芯片英寸向当前的实际的物理限制,需要额外的资源利用最大化设计空间和效率。

电路设计机器学习开始的桥梁,提供一个工具来支持设计师和工程师。在其核心,深决定性策略梯度作用的基础上,一个两级系统:一个子路径——演员——实现了电路仿真设计或更改,而第二个子路径-批评家分析成绩,鼓励演员的行动基于一些实实在在的测量。通过测量环境的当前状态的电路,演员可以学习历史来优化其期望的奖励。讨论的两个子例程和评估/回报模型很大程度上是一个abstraction-individual电路设计机器学习应用程序功能类似的框架,但准确的实现可能有所不同。

机器学习的设计空间的影响

必须认识到行动空间的宽度参与执行任务一样复杂的自动电路设计。演员包含encoder-decoder对话,通过并将低维观测因素转化成一个信号。由于数据流的顺序动作,观察美联储到译码器的顺序会影响电路设计。这种方法不需要需要一个模型,和相反,机器学习行为,可以由最基本的信息来提供解决方案。直接从数据没有“中间人”有助于根除偏见,可能导致机器学习电路设计的低效率。每个参数的拓扑中的每一个组件的实例必须计算和测量最大或最小约束,例如电感,电容,阻抗等。

对于电路设计机器学习,你想要一个完整的系统当前和演进的机器学习方法,和节奏PCB设计和分析软件完全兑现的承诺一个革命性的技术应用来减少时间任何设计。包括在节奏家族的产品OrCAD PCB设计者示意图、网表程序用一个简单的用户界面,掩盖了它的力量和功能。

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。