电路设计机器学习简介

关键的外卖

• 机器学习如何使用有形的测量来指导其过程。

• 激励系统是许多机器学习方法的核心。

• 设计空间的重要性以及它的大小和可导航性如何影响机器学习模型。

机器学习提供了简化电路CAD设计方面的能力

机器学习正在自动化许多长期以来被认为对计算机来说过于复杂的任务，电路设计也不例外。技术的不断进步，以及对数据科学和支持领域的进一步研究和开发，已经导致了一些行业的快速增长，即使在几年前，这些行业对于自动化来说还太复杂了。

能够将自动化混合到设计工作流程中的公司和运营商具有明显的优势:密集设计可以减少部分或全部布局。人工监督仍然允许反馈或用户在运行后编辑机器的性能——这通常是布局设计师使用autorouter软件的方式。尽管如此，电路设计机器学习有望实现更强大的功能:可以在合理的时间尺度上构建电路，且监督最少，将设计师从大部分布局工作中解放出来。因此，设计师可以更有效地将时间贡献给更高层次的设计抽象，而将机械和繁琐的工作留给自动化。

电路设计机器学习如何开始?

电路设计机器学习中最困难的方面之一是PCB设计的本质。虽然有明确的失误需要避免，但“最佳”行动方案依赖于各种输入，其中修改一个参数不可避免地会导致另一个参数的贬值。有几种训练方法电路机器学习，与更标准的数据输出相比，它的一个困难是生成数据所需的时间长度，更不用说构建足够大的数据集进行训练所需的时间了。

此外，许多培训方法往往是专有的，仅供个别企业使用;虽然这允许多种前进方法，但有时会阻碍整体进展。为了优化机器学习，必须确定哪些参数构成了对广泛拓扑结构中电路功能的最基本评估。基本电路特性可以包括但不一定限于:

• 获得,的放大输入信号的能力，通常是电压、电流或功率。增益越大，信号振幅的提升就越大;各种差动放大器用于增加信号以满足最小阈值检测水平。

• 带宽,频率:一个范围内最高频率和最低频率之间的距离

• 力量- - - - - -能量传递的速率。减少功率消耗的主要目的是增加董事会在该领域的自主权，因为它可能很少或没有可访问性。

• 区域-电路板上专用于电路的区域。在不引起重大EMI/EMC问题的情况下，a面积越小越有利以整体布局为主，尤其是在常见的密集板设计上。

奖励激励机器学习的行为

奖励函数是基于每次评论迭代所满足的设计标准的数量，以及它如何有效地改进作为评估基础的参数来进行激励的。最后两个参数对于密度较大的电路板尤为重要——随着面积的缩小和密度的增加，电气和机械问题可能会因线路电感、不合格的散热或其他近端影响而出现。几十年来，缩小的芯片已经能够支持电路板的小型化，但随着摩尔定律的放缓，芯片逐渐接近当前实际物理的极限，需要利用额外的资源来最大化设计空间和效率。

电路设计机器学习开始弥补这一差距，为设计师和工程师提供了支持工具。在其核心，深度确定性策略梯度基于两级系统:一个子例程(行动者)实现电路模拟的设计或更改，而第二个子例程(评论家)基于一些有形的度量来分析、分级和激励行动者的行为。通过测量电路当前状态的环境，参与者可以历史地学习以优化其预期奖励。两个子程序和评估/奖励模型的讨论在很大程度上是一种抽象——单独的电路设计机器学习应用程序将具有类似的框架，但确切的实现可能有所不同。

设计空间对机器学习的影响

重要的是要认识到在执行像自动化电路设计这样复杂的任务时所涉及的动作空间的宽度。actor包含编码-解码器对话，该对话将低维观测数据传递并转换为信号。由于数据流的顺序作用，馈送到解码器的观测数据的顺序也会影响电路设计。这种方法不需要模型，相反，机器学习可以通过最基本的信息来行动和塑造，以提供解决方案。在没有“中间人”的情况下直接从数据中工作，有助于消除可能导致机器学习电路设计效率低下的偏见。拓扑中每个组件实例的每个单独参数都必须根据电感、电容、阻抗等的最大或最小约束进行计算和测量。

对于电路设计机器学习，您需要一个与当前和不断发展的机器学习方法良好集成的系统，以及Cadence的系统PCB设计和分析软件是良好的定位，以实现革命性的技术应用，以减少任何设计的周转时间的承诺。Cadence系列产品包括OrCAD PCB Designer这是一个原理图和网络列表程序，其简单的用户界面掩盖了其强大的功能。

领先的电子产品供应商依靠Cadence产品来优化各种市场应用的电源、空间和能源需求。如果您想了解更多我们的创新解决方案，和我们的专家团队谈谈吧或请订阅我们的YouTube频道．