GLOVA: Global and Local Variation-Aware Analog Circuit Design with Risk-Sensitive Reinforcement Learning
Created by
Haebom
저자
Dongjun Kim, Junwoo Park, Chaehyeon Shin, Jaeheon Jung, Kyungho Shin, Seungheon Baek, Sanghyuk Heo, Woongrae Kim, Inchul Jeong, Joohwan Cho, Jongsun Park
개요
본 논문은 공정, 전압, 온도(PVT) 변화로 인한 성능 저하 문제를 해결하기 위해, 아날로그/혼성 신호 회로 설계에 있어 안정성을 향상시키는 새로운 프레임워크인 GLOVA를 제시합니다. GLOVA는 위험 감지 강화 학습과 앙상블 기반 평가자를 활용하여 실제 웨이퍼의 상당한 불일치 문제를 효과적으로 관리하고, PVT 변화에 대한 강건성을 개선합니다. 또한, $\mu$-$\sigma$ 평가와 시뮬레이션 재정렬 방법을 통해 실패한 설계를 식별하는 시뮬레이션 비용을 줄이고, 코너 시뮬레이션과 전역 및 지역 몬테카를로(MC) 시뮬레이션을 포함한 산업 수준의 PVT 변화 평가 방법을 통해 검증을 지원합니다. 기존의 변화 인식 아날로그 크기 조정 프레임워크와 비교하여 GLOVA는 샘플 효율성을 최대 80.5배 향상시키고 시간을 76.0배 단축합니다.
시사점, 한계점
•
시사점:
◦
PVT 변화에 대한 아날로그 회로 설계의 강건성을 크게 향상시키는 새로운 프레임워크 GLOVA 제시.
◦
위험 감지 강화 학습과 앙상블 기반 평가자를 활용하여 샘플 효율성과 설계 시간을 획기적으로 개선.
◦
산업 수준의 PVT 변화 평가 방법을 통한 설계 검증 지원.
◦
기존 방법 대비 샘플 효율성과 설계 시간에서 상당한 개선을 달성.
•
한계점:
◦
GLOVA의 성능 향상은 특정 아날로그 회로 설계에 대한 결과이며, 다른 유형의 회로에 대한 일반화 가능성은 추가 연구가 필요함.
