电路设计机器学习导论“，

关键的外卖

• 机器学习如何使用有形的度量来指导其过程。

• 激励系统是许多机器学习方法的核心。

• 设计空间的重要性及其大小和可通航性如何影响机器学习模型。

机器学习提供了简化电路CAD某些设计方面的能力

机器学习正在自动化许多长期以来被认为过于复杂的任务，单靠计算机和电路设计也不例外。技术的不断进步，以及对数据科学和支持领域的进一步研究和开发，导致了一些行业的快速发展，甚至在几年前，这些行业还被认为过于复杂，无法实现自动化。

能够将自动化融入设计工作流程的公司和运营商具有明显的优势:密集的设计可以减少部分或全部的布局。人工监督仍然允许反馈或用户在运行后编辑机器的性能——这是布局设计师使用autorouter软件的通常方式。尽管如此，电路设计机器学习仍有望带来更强大的东西:电路可以在合理的时间尺度上以最小的疏忽构建，将设计师从大部分的布局工作中解放出来。因此，设计师可以更有效地把时间贡献给更高层次的设计抽象，而把机械和繁琐的工作留给自动化。

电路设计机器学习如何开始?

电路设计机器学习最困难的方面之一是PCB设计的本质。虽然有明确的失误要避免，但“最佳”的行动过程依赖于各种各样的输入，其中修改一个参数不可避免地会导致另一个参数的贬值。虽然有几种训练方法电路的机器学习，与更标准的数据输出相比，一个困难是生成数据所需的时间长度，更不用说构建一个足够大的数据集用于培训的时间。

此外，许多培训方法往往是私有的，只包含在个别企业中;虽然这允许多种方法的进步，但它有时会阻碍整体的进步。为了优化机器学习，必须确定哪些参数构成了广泛拓扑中电路功能的最基本评估。基本电路特性包括但不一定限于:

• 获得,的放大输入信号的能力，通常是电压、电流或功率。增益越大，信号幅值的增益越大;各种差动放大器用于增加信号以满足最小阈值检测水平。

• 带宽,频率:在一个范围内最高和最低频率之间的距离

• 力量- - - - - -能量转移的速率。减少功率消耗是增加板的自主性的主要目的，在该领域，它可能很少或没有可访问性。

• 区域-电路板上专门用于电路的区域在不引起严重的EMI/EMC问题的情况下，a面积越小越有利要整体布局，尤其是在常见的密集板上进行设计。

奖励激励机器学习的行为

根据每次迭代的评价所满足的设计标准的数量，以及它如何有效地改进作为评价基础的参数，奖励函数将被缩放到激励的程度。最后两个参数对于密度更大的板来说特别重要——随着面积缩小和密度增加，电气和机械问题可能会由线路电感、不合格的散热或其他近端影响引起。几十年来，缩模已经能够支持电路板的小型化，但随着摩尔定律的放缓，芯片逐渐接近目前的实际物理极限，需要利用额外的资源来最大化设计空间和效率。

电路设计机器学习开始弥补这一差距，为设计师和工程师提供了一种支持工具。在其核心，一个深层次的确定性政策梯度是基于两级系统运行的:一个子程序——参与者——实现电路模拟的设计或更改，而第二个子程序——批评者——基于一些有形的度量分析、评分和激励参与者的行为。通过测量电路当前状态的环境，参与者可以历史地学习以优化其预期的奖励。对两个子程序和评估/奖励模型的讨论很大程度上是抽象的——单个电路设计机器学习应用程序将具有类似的框架，但确切的实现可能不同。

设计空间对机器学习的影响

在执行像自动化电路设计这样复杂的任务时，认识到动作空间的宽度是很重要的。actor包含编码器-解码器对话，该对话传递低维观察并将其转换为信号。由于数据流的顺序作用，将观察数据输入到解码器的顺序也将影响电路设计。这种方法不需要模型，相反，机器学习可以根据最基本的信息来行动和塑造，从而提供解决方案。直接从数据中工作，而没有“中间人”，这有助于消除可能导致机器学习电路设计效率低下的偏见。拓扑中组件的每个实例的每个单独参数都必须根据最大或最小约束(如电感、电容、阻抗等)进行计算和测量。

对于电路设计机器学习，你需要一个与当前和发展中的机器学习方法和Cadence的很好集成的系统PCB设计和分析软件完全有能力实现革命性技术应用的承诺，减少任何设计的转向时间。Cadence系列产品包括OrCAD PCB设计者这是一个原理图和网络列表程序，其简单的用户界面掩盖了它的强大和功能。

领先的电子供应商依靠Cadence产品来优化电力、空间和能源需求，满足各种各样的市场应用。如果您想了解更多关于我们的创新解决方案，和我们的专家团队谈谈或订阅我们的YouTube频道．