ZeroSim: Zero-Shot Analog Circuit Evaluation with Unified Transformer Embeddings
Xiaomeng Yang, Jian Gao, Yanzhi Wang, Xuan Zhang
尽管基于学习的模拟电路设计自动化的最新进展已经解决了拓扑生成、设备尺寸和布局合成等任务,但高效的性能评估仍然是一个主要瓶颈。 传统的SPICE模拟是耗时的,而现有的机器学习方法通常需要拓扑特定的再训练或手动子结构分割,以微调,阻碍可扩展性和适应性。 在这项工作中,我们提出了ZeroSim,一个基于变压器的性能建模框架,旨在实现在新型参数配置下在训练好的拓扑中实现强大的分布内泛化,并在没有任何微调的情况下对看不见的拓扑进行零射速泛化。 我们应用了三种关键的赋能策略:(1) 包含超过 60 个放大器拓扑的 360 万个实例的多样化训练语料库,(2) 利用全局感知令牌的统一拓扑嵌入,并具有层次意识,对新颖电路进行稳健的概括,(3) 拓扑条件参数映射方法,可保持独立于参数变化的一致结构表示。 我们的实验结果表明,ZeroSim明显优于多层感知器、图形神经网络和变压器等基线模型,在不同的放大器拓扑中提供准确的零拍摄预测。 此外,当集成到基于强化学习的参数优化管道中时,ZeroSim与传统SPICE模拟相比实现了显着的加速(13倍),突出了其用于各种模拟电路设计自动化任务的实用价值。
Although recent advancements in learning-based analog circuit design automation have tackled tasks such as topology generation, device sizing, and layout synthesis, efficient performance evaluation remains a major bottleneck. Traditional SPICE simulations are time-consuming, while existing machine learning methods often require topology-specific retraining or manual substructure segmentation for fine-tuning, hindering scalability and adaptability. In this work, we propose ZeroSim, a transformer-...
