AICircuit

AICircuit数据集由南加州大学和加州大学欧文分校创建，是一个多层次的电路设计数据集，用于评估和开发机器学习算法在模拟和射频电路设计中的应用。该数据集包含七种常用基本电路和两种复杂的无线收发系统，涵盖了真实应用中遇到的各种设计场景。数据集的创建过程包括使用Cadence工具设计电路原理图，识别关键电路参数，并通过模拟器获取性能指标。AICircuit数据集主要应用于机器学习辅助的电路设计领域，旨在通过提供一个通用和多样化的数据集来推动机器学习在电路设计中的应用。The AICircuit dataset was developed by the University of Southern California and the University of California, Irvine. It is a multi-level circuit design dataset for evaluating and developing machine learning algorithms applied to analog and radio frequency (RF) circuit design. This dataset contains seven common basic circuits and two complex wireless transceiver systems, covering various design scenarios encountered in real-world applications. The dataset creation process involves designing circuit schematics using Cadence tools, identifying key circuit parameters, and obtaining performance metrics via simulators. The AICircuit dataset is primarily applied in the field of machine learning-aided circuit design, aiming to promote the application of machine learning in circuit design by providing a universal and diverse dataset.

原始信息汇总

AICircuit 数据集概述

数据集简介

AICircuit 是一个综合性的多层次数据集和基准，用于开发和评估机器学习算法在模拟和射频电路设计中的应用。该数据集包含七种常用的基本电路和两种由多个电路模块组成的复杂无线收发系统，涵盖了现实应用中遇到的各种设计场景。

数据集组成

• 基本电路:
  • CSVA: 共源电压放大器
  • CVA: 级联电压放大器
  • TSVA: 两级电压放大器
  • LNA: 低噪声放大器
  • Mixer: 混频器
  • VCO: 压控振荡器
  • PA: 功率放大器
• 复杂系统:
  • Transmitter: 发射机
  • Receiver: 接收机

使用方法

简单模型运行

1. 根据需要修改 Config/Circuits 目录下配置文件中的输入数据和输出结果路径。

2. 生成自己的训练配置文件，或使用默认配置文件： bash python3 main.py

   示例： bash python3 main.py --path ./Config/train_config.yaml --seed 0

运行模拟

使用以下代码运行模拟： bash python simulation.py --circuit=Mixer --model=MLP

配置文件参数说明

• model_config: 模型配置列表
  • model: 支持的模型类型
    • KNeighbors
    • RandomForest
    • SupportVector
    • MultiLayerPerceptron
    • Transformer
  • 其他模型参数：根据需要添加
• subset: 用于训练的数据比例列表
• circuits: 电路列表
• epochs: 用于 MLP 和 Transformer 模型的迭代次数，默认 100
• loss_per_epoch: 每轮损失，默认 MLP 和 Transformer 为 True
• compare_method: 比较不同模型的损失
• kfold: 是否进行 K 折交叉验证
• independent_kfold: 是否独立选择训练和测试数据
• save_format: 保存格式
  • csv
  • numpy
  • 其他：不保存

结果

每次运行后，可在 out_plot 和 out_result 目录中找到相应的图表和损失值。如果配置文件设置保存预测结果，可在电路的 YAML 文件中找到预测文件。

可视化

部分可视化结果如下：

• 两级电压放大器(TSVA):
• 发射机:

引用

如果使用 AICircuit 数据集进行研究，请按以下格式引用： plaintext @article{Mehradfar2024AICircuit, title={AICircuit: A Multi-Level Dataset and Benchmark for AI-Driven Analog Integrated Circuit Design}, author={Asal Mehradfar and Xuzhe Zhao and Yue Niu and Sara Babakniya and Mahdi Alesheikh and Hamidreza Aghasi and Salman Avestimehr}, year={2024}, url={https://arxiv.org/abs/2407.18272}, }

搜集汇总

数据集介绍

构建方式

AICircuit数据集的构建基于Cadence工具设计电路原理图，并使用商业模拟器进行广泛的参数扫描和性能模拟。具体步骤包括：首先设计电路原理图，然后确定影响电路性能的关键参数，并在每个参数上设置值范围进行扫描。对于每个参数组合，运行Cadence模拟器以获取模拟结果并计算性能指标。最终，将所有参数组合及其对应的性能指标保存为数据集，并将其划分为训练集和测试集。

特点

AICircuit数据集涵盖了七种常见的模拟和射频电路以及两种复杂的无线收发系统，包括多种设计场景。该数据集的多样性和全面性使其成为评估和改进机器学习算法在模拟和射频电路设计领域的理想基础。此外，数据集还包括了在先前工作中未见的高级性能指标，进一步增强了其应用价值。

使用方法

AICircuit数据集可用于训练和评估多种机器学习算法，从传统的随机森林到现代的神经网络。用户可以通过加载数据集，使用性能指标作为输入，训练模型以预测电路参数。训练完成后，可以使用Cadence模拟器验证预测参数的实际性能，并计算与设计规格的相对误差。数据集的代码库已开源，用户可以访问GitHub链接获取更多详细信息和使用指南。

背景与挑战

背景概述

随着摩尔定律在2020年初达到极限，晶体管的指数级缩放变得越来越困难，从而减缓了半导体技术的发展步伐。与数字电路不同，模拟和射频电路需要为新兴应用（如毫米波蜂窝通信、雷达系统和天线系统）进行定制设计，这使得其设计过程既耗时又资源密集。AICircuit数据集由南加州大学和加州大学欧文分校的研究团队创建，旨在解决机器学习在模拟和射频电路设计中的应用问题。该数据集包含七个常用的基本电路和两个复杂的无线收发器系统，涵盖了现实应用中遇到的各种设计场景。通过提供一个通用且多样化的数据集，AICircuit旨在彻底评估和改进机器学习算法在模拟和射频电路设计领域的表现。

当前挑战

AICircuit数据集面临的挑战主要来自两个方面：一是解决领域问题的复杂性，模拟和射频电路设计需要广泛探索电路拓扑和参数，以满足特定的设计标准，如功耗和带宽。二是数据集构建过程中的技术难题，包括如何有效地模拟和收集大量电路参数及其性能指标。此外，由于现实系统通常由异构组件组成，这些组件执行不同的功能，导致从输入到输出的映射更加复杂和高度非线性，这进一步增加了学习映射关系的难度。

常用场景

经典使用场景

AICircuit数据集在模拟和射频电路设计领域中被广泛用于开发和评估机器学习算法。其经典使用场景包括训练多层感知器（MLP）、变压器（Transformer）和支持向量回归（SVR）等模型，以学习从设计规格到电路参数的映射。通过这些模型，研究人员能够预测电路参数，从而简化设计流程，减少传统设计方法中的参数扫描工作量。

解决学术问题

AICircuit数据集解决了在复杂模拟和射频电路设计中，传统设计方法耗时且依赖专家经验的学术问题。通过提供一个包含多种电路和系统级别的参数和性能指标的综合数据集，AICircuit使得机器学习算法能够在这些复杂系统中进行有效的设计优化。这不仅加速了设计过程，还为学术界提供了一个标准化的评估平台，促进了机器学习在电路设计领域的应用研究。

衍生相关工作

基于AICircuit数据集，研究者们开发了多种相关的经典工作。例如，一些研究通过使用图神经网络（GNN）来更好地捕捉电路拓扑结构，从而提高电路参数预测的准确性。此外，还有研究采用了强化学习框架来训练神经网络，以实现更有效的电路尺寸优化。这些衍生工作不仅扩展了AICircuit的应用范围，还推动了机器学习在电路设计领域的技术进步。