Analog and Digital Circuit Design in 65 nm CMOS: End of the Road?
这个特别会议解决了设计人员在纳米技术中实现模拟和数字电路时所面临的问题。嵌入式入门教程将概述当前的设计问题:泄漏功耗和工艺可变性及其对数字电路和存储器的影响,以及降低电源电压、嵌入式模拟模块的设计生产率和信号完整性问题。接下来,来自工业半导体公司和设计公司、EDA供应商和研究机构的专家小组将向观众介绍并讨论他们对设计之路是否止于“65纳米”标志的看法。
2007-10-25 cs.AR
Distributed Injection-Locking in Analog Ising Machines to Solve Combinatorial Optimizations
基于振荡器的伊辛机(OIM)是一种解决组合优化问题的耦合CMOS振荡器网络。在本文中,整个电路的注入锁定振荡的分布提出了加速锁相的OIM。所提出的技术的影响,从理论上研究和验证了广泛的模拟在EDA工具与$130~nm$ PTM模型。通过分配超谐波振荡器的注入信号,速度增加了$219.8\%$,而由于分布式技术,器件的功耗和锁相误差的增加可以忽略不计。
2020-12-16 cs.AR cs.DC cs.ET
DocEDA: Automated Extraction and Design of Analog Circuits from Documents with Large Language Model
Southeast Universisity(东南大学)
针对传统电路文档参数提取依赖人工、效率低易出错的问题,提出结合版面分析、LLM思维链推理、改进GAM-YOLO拓扑识别及空间映射优化的DocEDA系统,提升了EDA中参数提取效率与准确性,适配多场景多格式。
2024-11-25 cs.AI cs.AR cs.CL
LayoutCopilot: An LLM-powered Multi-agent Collaborative Framework for Interactive Analog Layout Design
针对模拟版图EDA工具交互门槛高的问题,提出基于LLM的多智能体协作框架LayoutCopilot,可将自然语言转为可执行脚本、解读高层设计意图,经实验验证具备灵活性、效率与易用性。
2025-01-13 cs.AR
Graph Computation Meets Circuit Algebra: A Task-Aligned Analysis of Graph Neural Networks for Electronic Design Automation
Independent Researcher(独立研究者)
本文探讨了图神经网络在电子设计自动化中的应用,通过任务对齐分析,揭示了不同任务与图神经网络架构的匹配问题,指出当前方法的局限性和未来研究方向。
2026-05-08 cs.AI cs.AR cs.LG
Towards Reliable AI-Assisted Analog Design: Template-Constrained LLM Agents for SAR ADC Generation
Massachusetts Institute of Technology(麻省理工学院)
研究针对大语言模型在模拟电子设计自动化应用的瓶颈,提出端到端多步骤的ATLAS框架,利用专家知识结合模板约束生成,能生成成功通过仿真验证的SAR ADC,为集成LLMs到可靠模拟设计方法奠定基础。
2026-07-17 cs.AI cs.AR cs.LG
AnaFlow: Agentic LLM-based Workflow for Reasoning-Driven Explainable and Sample-Efficient Analog Circuit Sizing
AnaFlow通过基于代理的LLM工作流实现高效、可解释的模拟电路尺寸设计,利用人类可理解的推理和自适应仿真策略,提升设计效率和透明度。
2025-11-05 cs.AI cs.AR cs.LG
LLM-based AI Agent for Sizing of Analog and Mixed Signal Circuit
School of Engineering The University of Edinburgh Edinburgh, UK(工程学院 皇家爱丁堡大学 英国爱丁堡)
针对模拟与混合信号电路晶体管尺寸设计依赖人工、现有机器学习方法迭代多等问题,提出集成仿真工具与数据分析、结合提示工程的LLM智能体,在7种基础电路和运算放大器上验证了优化效果,最高成功率达60%。
2025-04-14 cs.AR cs.LG
EEsizer: LLM-Based AI Agent for Sizing of Analog and Mixed Signal Circuit
The University of Edinburgh(爱丁堡大学);The School of Engineering(工程学院);Institute for Integrated Micro and Nano Systems(集成微纳系统研究所)
EEsizer是一种基于LLM的AI代理,通过整合大语言模型与电路仿真器和自定义数据分析功能,实现了模拟和混合信号电路尺寸设计的自动化,展示了在先进节点上的适应性和鲁棒性。
2025-12-22 cs.AR cs.LG
Design of a 6-bit Threshold Inverter Quantization (TIQ) Flash Analog to Digital Converter (ADC)
本文设计基于TIQ比较器的6位Flash ADC,采用0.25μm CMOS与胖树编码器,仿真给出两种输入频率下的功耗和延迟。
2025-01-08 cs.AR
RFChipAgent: Multi-Agentic AI Flow for Analog/RF Chip Design
Qualcomm Technologies, Inc.(高通技术有限公司);UC Berkeley(加州大学伯克利分校)
该研究提出RFChipAgent,一种LLM驱动的多智能体流程,用于端到端模拟/射频芯片设计自动化,经GF22FDSOI 60 GHz LNA验证,可大幅减少设计工作量并保持签核级质量,为相关EDA奠定基础。
2026-10-09 cs.AI cs.AR cs.LG
Domain Knowledge-Infused Deep Learning for Automated Analog/Radio-Frequency Circuit Parameter Optimization
Mitsubishi Electric Research Laboratories(三菱电机研究实验室);Washington University in St. Louis(圣路易斯华盛顿大学)
模拟电路的设计自动化是一个长期的挑战。本文提出了一种通过图学习增强的强化学习方法,用于在预布局阶段自动化模拟电路参数优化,即,找到器件参数以满足期望的电路规格。与所有现有方法不同,我们的方法受到依赖于模拟电路设计领域知识的人类专家的启发(例如,电路拓扑和电路规范之间的耦合)来解决问题。通过最初将这些关键领域知识结合到多模态网络的策略训练中,该方法可以最好地学习电路参数和设计目标之间的复杂关系,从而在优化过程中实现最佳决策。在典型电路上的实验结果表明,该方法达到了人类水平的设计精度(99%),是现有最佳性能方法的1.5倍。我们的方法也表现出更好的泛化能力,看不见的规格和电路性能优化的最优性。此外,它适用于新兴半导体技术的射频电路设计,打破了传统模拟电路设计中现有学习方法的局限性。
2022-05-17 cs.AR cs.LG
AnalogGenie: A Generative Engine for Automatic Discovery of Analog Circuit Topologies
Northeastern University(东北大学);The George Washington University(乔治·华盛顿大学)
本文提出生成式引擎AnalogGenie,通过构建综合数据集与可扩展的图表示方法,实现模拟电路拓扑的自动发现,推动模拟IC设计向生成式AI驱动的自动化转变。
2025-02-28 cs.AR cs.LG
The Era of Vibe Tapeout: Dark Age or Golden Age for Analog Circuit Design?
Keio University(庆应义塾大学)
本文评估了LLM智能体驱动的氛围流片在模拟电路设计中的进展,在SKY130和商业PDK场景下测试了不同模型的表现,认为对掌握验证方法的设计者而言,氛围流片是模拟设计的黄金时代。
2026-10-14 cs.AR
A Fully Hardware Implemented Accelerator Design in ReRAM Analog Computing without ADCs
1 SKLP, \ Institute \ of \ Computing \ Technology, \ Chinese \ Academy \ of \ Sciences, \ Beijing, \ China
本文提出一种无需ADC和DAC的ReRAM模拟计算加速器RACA,利用ReRAM噪声实现随机二值化神经元及Sigmoid和SoftMax激活函数,在保持推理精度的同时提升能效和面积效率。
2024-12-27 cs.AI cs.AR
Benchmarking and modeling of analog and digital SRAM in-memory computing architectures
本文通过综述现有架构、建立能量与吞吐量成本模型并在多种存内计算架构上调度工作负载,对模拟与数字SRAM存内计算进行公平基准评测,为工作负载-硬件协同设计提供指导。
2023-05-25 cs.AR eess.IV eess.SP
LASANA: Large-Scale Surrogate Modeling for Analog Neuromorphic Architecture Exploration
本文提出LASANA方法,利用机器学习从SPICE仿真中训练模拟子模块代理模型,用于神经形态架构快速探索,在MNIST任务上实现千倍加速且误差低于8%。
2025-07-18 cs.AR
EasyACIM: An End-to-End Automated Analog CIM with Synthesizable Architecture and Agile Design Space Exploration
EasyACIM提出一种基于可综合架构的端到端自动化模拟存算一体设计方法,通过多目标遗传算法探索设计空间,自动生成高质量布局,提升性能并缩短上市时间。
2024-04-12 cs.AR cs.NE
RulePlanner: All-in-One Reinforcement Learner for Unifying Design Rules in 3D Floorplanning
Shanghai Jiao Tong University(上海交通大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
提出一种基于深度强化学习的统一框架,通过新颖的矩阵表示、动作空间约束和奖励信号定量分析,处理多种硬件设计规则,实现3D布局规划中的规则遵守。
2026-05-26 cs.AI cs.AR
A Time-domain Analog Weighted-sum Calculation Model for Extremely Low Power VLSI Implementation of Multi-layer Neural Networks
提出了一种基于积分激发型发放神经元模型的时域模拟加权和计算模型。该计算模型适用于多层前馈网络,每层网络分别进行正负权值加权求和,求和结果不进行减法运算直接送入下一层网络。我们还提出了超大规模集成(VLSI)电路来实现所提出的模型。与传统的模拟电压或电流模式电路不同,时域模拟电路在对电容器的充电/放电过程中使用瞬态操作。由于该电路可以在没有运算放大器的情况下设计,因此它们可以以极低的功耗工作。然而,它们必须使用G $\rm Ω$量级的非常高电阻的器件。我们设计了一个概念验证(CMOSVLSI)芯片,以验证具有相同权重的加权和运算,并使用250 nm制造技术通过布局后电路模拟对其进行评估。利用MOS晶体管的亚阈值工作区实现了高阻工作。仿真结果表明,该算法的加权和计算能量效率为290 TOPS/W,比现有的数字AI处理器高出一个数量级以上,尽管该芯片的最小互连宽度比现有数字AI处理器的最小互连宽度大几倍。如果使用最先进的VLSI技术来实现所提出的模型,则超过1,000 TOPS/W的能量效率将是可能的。对于实际应用,开发新兴的模拟存储器件,如铁电栅场效应晶体管是必要的。
2018-10-16 cs.AR cs.ET
RRAM-Based Analog Matrix Computing for Massive MIMO Signal Processing: A Review
Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院);School of Integrated Circuits, Peking University(北京大学集成电路学院);Beijing Advanced Innovation Center for Integrated Circuits(北京集成电路先进创新中心)
本文综述了基于RRAM的类矩阵计算在大规模MIMO信号处理中的应用,涵盖DFT/IDFT计算、MIMO检测与预编码、矩阵求逆及未来挑战。
2025-12-04 cs.AR cs.ET eess.SP
Energy Efficient and High Performance Current-Mode Neural Network Circuit using Memristors and Digitally Assisted Analog CMOS Neurons
新兴的纳米级可编程电阻RAM(RRAM)已被确定为实现大脑启发计算硬件的有前途的技术。几种神经网络结构,本质上涉及输入数据向量和存储的网络权重之间的标量积的计算,可以使用与CMOS集成的RRAM的高密度交叉棒阵列来有效地实现。在这样的设计中,CMOS接口可以负责提供输入激励和处理RRAM输出。为了在基于RRAM的神经形态硬件中实现高能量效率以及高集成密度,RRAM-CMOS接口的设计因此可以发挥主要作用。在这项工作中,我们提出了高性能的设计,电流模式CMOS接口的RRAM为基础的神经网络设计。采用电流模式激励作为输入接口,数字辅助电流模式CMOS神经元电路作为输出接口。所提出的技术实现了10倍的能量,以及在文献中采用的传统方法的性能改进。网络级仿真表明,该方案可以实现2个数量级的低能耗相比,数字ASIC实现的前馈神经网络。
2015-12-01 cs.AR cs.ET