GLOVA: Global and Local Variation-Aware Analog Circuit Design with Risk-Sensitive Reinforcement Learning
Dongjun Kim, Junwoo Park, Chaehyeon Shin, Jaeheon Jung, Kyungho Shin, Seungheon Baek, Sanghyuk Heo, Woongrae Kim, Inchul Jeong, Joohwan Cho and Jongsun Park
模拟/混合信号电路设计由于工艺、电压和温度(PVT)变化导致性能下降而面临重大挑战。 为了实现商业级的可靠性,需要迭代手动设计修订和广泛的统计模拟。 虽然几项研究旨在自动化感知变化的模拟设计,以减少上市时间,但现实世界晶圆中的大量不匹配尚未得到彻底解决。 在本文中,我们介绍了GLOVA,一个模拟电路大小框架,可有效管理各种随机不匹配的影响,以提高对PVT变化的稳健性。 在建议的方法中,利用对风险敏感的强化学习来考虑受PVT变化影响的可靠性约束,并引入了基于集成的评论家来实现样本效率学习。 对于设计验证,我们还提出 μ-σ 评估和仿真重新排序方法,以降低识别失败设计的仿真成本。 GLOVA支持通过工业级PVT变异评估方法进行验证,包括角模拟以及全球和本地蒙特卡洛(MC)模拟。 与以前最先进的变数模拟尺寸框架相比,GLOVA在样品效率方面实现了高达80.5×的改进,并且减少了76.0×的时间。
Analog/mixed-signal circuit design encounters significant challenges due to performance degradation from process, voltage, and temperature (PVT) variations. To achieve commercial-grade reliability, iterative manual design revisions and extensive statistical simulations are required. While several studies have aimed to automate variation aware analog design to reduce time-to-market, the substantial mismatches in real-world wafers have not been thoroughly addressed. In this paper, we present GLOVA...