FALCON은 성능 사양으로부터 아날로그 회로를 설계하는 복잡한 다단계 과정(토폴로지 선택, 매개변수 추론, 레이아웃 실현 가능성)을 자동화하는 머신러닝 프레임워크입니다. 목표 성능이 주어지면, 사람의 설계 휴리스틱에 따라 안내되는 성능 기반 분류기를 사용하여 적절한 회로 토폴로지를 먼저 선택합니다. 그런 다음, 회로 토폴로지와 매개변수를 성능에 매핑하도록 훈련된 사용자 정의 에지 중심 그래프 신경망을 사용하여 학습된 순방향 모델을 통해 기울기 기반 매개변수 추론을 가능하게 합니다. 이 추론은 기생 효과 및 주파수 의존 효과를 포착하는 분석 방정식에서 파생된 미분 가능한 레이아웃 비용에 의해 안내되고 설계 규칙에 의해 제약됩니다. Cadence Spectre를 사용하여 20개의 전문가 설계 토폴로지를 통해 생성 및 시뮬레이션된 100만 개의 아날로그 mm-wave 회로의 대규모 사용자 정의 데이터 세트에서 FALCON을 훈련하고 평가했습니다. 평가를 통해 FALCON은 토폴로지 추론에서 99% 이상의 정확도, 성능 예측에서 10% 미만의 상대 오차, 그리고 인스턴스당 1초 미만으로 완료되는 효율적인 레이아웃 인식 설계를 보여줍니다. 이러한 결과는 FALCON을 엔드 투 엔드 아날로그 회로 설계 자동화를 위한 실용적이고 확장 가능한 기본 모델로 자리매김하게 합니다.
