摘要
本文分析了MIT发表的Circuit-GNN[1]。该文尝试了用图神经网络(GNN)分析高频分立电路的前向增益函数,并根据指定性能曲线反向优化网络模型构建合格的电路。该文所提出的反向优化模型的思路对于辅助电路设计等方面有很好的启发作用。
1、介绍近日阅读了MIT几位学者将GNN用于分立电路设计的研究论文[1]。该研究以比较直观的形式将分立电路映射到图结构,并以GNN来仿真器件间的电磁耦合。相信对于GNN在工程实践中的应用有启发作用。
值得一提的是,该文章发表于2019年,是同类应用中较早提出用图神经网络作为分析方法的研究。进入2020年以来,更多研究者探索了结合图网络用于EDA的实现,比如MIT另外一组学者用GNN结合强化学习用于集成电路中自动确定晶体管尺寸[3],以及Nvidia用GNN预测电路版图的寄生参数[4]。
高频分立器件电路是5G通讯的关键设计之一,然而这类电路的设计仍然高度依赖与人工参与,耗时低效。本文的几位研究者设计了一套基于图神经网络的方法来优化和自动化分立器件电路设计的过程。具体包括两个目标:
a. 给定一个电路,用GNN预测电路的前向增益函数s21。 b. 反之,给定前向增益函数,产生满足要求的电路。 2 设计思路现有分立电路都是基于模板设计,即在一些预定义模板电路基础上调整以适合具体需求。作者发现已有的基于训练的电路设计方法都是针对每种模板单独训练模型,比如文献2的研究。这种方法效率较低,且不易实现整合多个模板的