схема автоматизированных систем параметрической оптимизации в схемотехническом проектировании показана на рис. 2.
В докладе рассматриваются основные подходы к построению интеллектуальных систем схемотехнического проектирования. Проводится сравнение эффективности различных подходов. Показано, что системы, основанные на эволюционных вычислениях, являются наиболее эффективными, как при решении задачи параметрической оптимизации, так и при творческом проектировании.
Современный рынок интегральных схем характеризуется постоянным увеличением количества транзисторов на одном кристалле. Использование субмикронных технологий приводит к постоянному усложнению правил проектирования, которые зачастую являются многокритериальными, что ведет к неизбежному увеличению стоимости проектирования и времени проектирования. В тоже время для достижения конкурентоспособности изделий эти характеристики необходимо уменьшать. Для преодоления перечисленных выше противоречивых требований необходима разработка высокоэффективных систем автоматизированного проектирования интегральных схем. Анализ литературных источников позволяет сделать вывод, что в настоящее время разрабатываются различные подходы к решению этой проблемы. В докладе анализируются только подходы, основанные на применении методов искусственного интеллекта. В настоящее время в области интеллектуальных систем схемотехнического проектирования можно выделить 3 основные подхода:
Системы, основанные на экспертных базах знаний продукционного типа, были одними из первых разработок в области автоматизации схемотехнического проектирования. Типичными примерами являются системы BLADES [El-Turkey et al, 1989] и OASYS [Harjani et al, 1989]. Для проектирования они используют знания экспертов. Проектирование допускается только для определенных схемотехнических решений. Дальнейшее развитие этот подход получил на основе использования для выбора возможных вариантов решений методов интервального анализа [Veselinovic et al, 1995], иерархических методов [Iskander et al, 2004], нечеткой логики [Torralba et al, 1996]. Подход [Stefanovic, 2003], развиваемый в Федеральном технологическом университете Лозанны (EFPL), базируется на принципах построения систем поддержки принятия решений.
На рис. 1 показана обобщенная структурная схема автоматизированных систем схемотехнического проектирования, основанных на базах знаний.
Существенным недостатком всех перечисленных выше систем является сложность адаптации системы к новым технологиям и топологиям. Системы оказываются неспособными решать задачу проектирования даже при незначительных изменениях в постановке задачи. Большие временные затраты требуются для настройки систем, что сдерживает их коммерческое применение.
Интеллектуальные системы параметрической оптимизации схемотехнического решения при заданной топологии базируются на использовании генетических алгоритмов [Krasnicki et al, 1999] и моделирования отжига [Ochotta et al, 1996; Gielen et al, 1990; Krasniski et al, 2001; De Ranter et al, 2002; Vancoreland et al, 2000]. Они отличаются классами цепей, для которых они применяются: радиотехнические усилители [Vancoreland et al, 2000], операционные усилители [Krasnicki et al, 1999], генераторы [De Ranter et al, 2002]. Обобщенная
структурная
схема автоматизированных систем параметрической оптимизации в схемотехническом проектировании показана на рис. 2.
Указанные выше системы используют различные подходы при определении наилучшего решения: аналитические модели [Gielen et al, 1990] или численное моделирование, например, с использованием программы SPICE [Krasnicki et al, 1999]. Однако точность аналитических моделей является допустимой только в режиме малого сигнала. Численное моделирование требует больших вычислительных затрат. Поэтому перспективным представляется подход, основанный на использовании численно-аналитических моделей, предложенный в работе [Курейчик и др, 2002].
Структура автоматизированной системы параметрической оптимизации, предложенная в [Krasnicki et al, 1999], получила коммерческое применение в промышленности. Система NeoCircuit [Cadence, 2006], разработанная компанией Neolinear Inc. (в настоящее время поглощенной компанией Cadence), базируется на основных идеях [Krasnicki et al, 1999]. Другая коммерческая система AMS Genius [Synopsys, 2006] (разработка компании Analog Design Automation, в настоящее время поглощенной компанией Synopsys), также базирующаяся на использовании принципов искусственного интеллекта, поддерживает многокритериальную оптимизацию.
Вне зависимости от выбранного подхода к выбору лучшего решения все перечисленные выше системы, включая коммерческие, могут работать только при задании первоначального решения, топологию которого они изменить не могут.
Более эффективные автоматизированные системы схемотехнического проектирования были разработаны при комбинации методов
искусственного интеллекта и параметрической оптимизации. Подобный подход позволил обеспечить больше гибкости при поиске решения.
Система AMIGO [Iskander et al, 2003] основана на применении классических генетических алгоритмов для оптимизации параметров цепи при наличии экспертных ограничений на возможный диапазон допустимых решений.
Система AMGIE [Van der Plas et al, 2001] базируется на иерархическом принципе проектирования, для поддержки которого используются базы знаний и классические оптимизационные алгоритмы.
Система OPASYN [Koh et al, 1990] основана на использовании дерева решений для выбора наилучшей топологии схемы на основе экспертных знаний. Для выбора параметров схемы используются также классические оптимизационные алгоритмы.
Иерархический подход к построению решений на основе выбранных подсхем и оптимизация параметров схемы на основе моделирования отжига были использованы в [Ning et al, 1991].
Интересным представляется подход, использованный в системе DARWIN [Kruiskamp, 1995]. Генетические алгоритмы были использованы для поиска лучшего решения из заранее выбранных 24 допустимых решений.
Генетическая оптимизация параметров схемы с учетом экспертных знаний о допустимом дисбалансе в параметрах [Balkir et al, 2004] позволила повысить выход годных интегральных схем. Для оптимизации параметров схемы [Balkir et al, 2004] был разработан новый алгоритм, представляющий собой комбинацию эволюционных стратегий и метода моделирования отжига.
Наиболее перспективным направлением в разработке интеллектуальных систем автоматизированного схемотехнического проектирования представляются подходы, позволяющие найти новые схемные решения [Зинченко и др., 2003]. В основном, значительные результаты были получены при использовании генетического программирования [Koza et al, 1997; Sripramong et al, 2002; Vieira et al, 2004] и генетических алгоритмов [Lohn et, 1999a; Goh et al, 2001; Grimbleby, 2000; Shuguang et al, 2005; Mattiussi et al, 2004; Dastidar et al, 2005; Ando et al, 2000]. Обобщенная структурная схема систем творческого схемотехнического проектирования, основанных на использовании алгоритмов генетического программирования, показана на рис. 3, а. Рис. 3, б иллюстрирует основные этапы творческого схемотехнического проектирования при использовании генетических алгоритмов.
Системы творческого схемотехнического проектирования, основанные на алгоритмах генетического программирования [Koza et al, 1997], базируются на использовании процедуры эволюционного развития эмбриона в цепь, удовлетворяющую заданным техническим характеристикам, на основе иерархической древовидной структуры. В процессе эволюционного развития возможна генерация любой топологии и любых параметров схемы. Основной проблемой при использовании алгоритмов генетического программирования является генерация большого количества схемных решений, не имеющих никакого физического смысла [Sripramong et al, 2002]. В связи с этим основные усилия исследователей направлены на разработку специальных правил, позволяющих устранить этот недостаток. В зависимости от выбранного маршрута проектирования они могут применяться на этапе верификации полученных проектных решений [Sripramong et al, 2002] или на этапе генерации схемы [Vieira et al, 2004].
Отличительной особенностью генетических алгоритмов является использование закодированных решений в процессе эволюционной адаптации. В связи с этим основные усилия исследователей, использующих генетические алгоритмы, направлены на разработку эффективных методов кодирования схемотехнического решения. Наиболее часто используется представление генотипа в виде линейной последовательности [Ando et al, 2000; Zebulum et al, 2003]. Его достоинством является возможность применения для цепей с различным количеством элементов произвольной топологии.
Матричное представление, предложенное Kitamura et al [Ando et al, 2000], требует заранее предопределенного размера цепи. В работе [Dastidar et al, 2005] предложено использование генотипа, каждый ген
Рис. 3. Обобщенная структурная схема систем творческого схемотехнического проектирования, основанных на генетическом программировании (а) и генетических алгоритмах (б)
которого соответствует одной из заранее выбранных подсхем с экспертными правилами допустимых типов соединений. Ввод зависимостей между генотипами в [Mattiussi et al, 2004] позволил уменьшить длину хромосомы. Использование динамического кодирования в [Muehlenbein et al, 2002a] позволило уменьшить временные затраты на поиск решения.
Перспективным также представляется использование эволюционных вероятностных алгоритмов [Muehlenbein et al, 2002b]. Модели распределения [Muehlenbein et al, 2002b] в состоянии накапливать информацию о допустимых проектных решениях, что позволяет локализовать поиск в перспективных областях и сократить тем самым вычислительные затраты.
Эффективность системы проектирования во многом определяется выбранной функцией пригодности. В основном в исследованиях по творческому схемотехническому проектированию используются линейные функции пригодности, представляющие собой взвешенную сумму различных параметров. Они применяются как в системах творческого схемотехнического проектирования, основанных на алгоритмах генетического программирования [Koza et al, 1997], так и в системах творческого схемотехнического проектирования, базирующихся на генетических алгоритмах [Lohn et, 1999a]. В работе [Lohn et al, 1999b] исследованы динамические функции пригодности. Однако генетические алгоритмы плохо адаптировались к изменяющимся поверхностям функций пригодности. Более перспективным представляются подходы, предложенные в работах [Sripramong et al, 2002; Ando et al, 2000]. Для повышения эффективности проектирования в работе [Sripramong et al, 2002] все проектные требования разделены на две большие группы: ограничения, которые необходимо выполнить, и ограничения, которые желательно выполнить (мягкие ограничения). Ввод такой классификации проектных требований позволил выделить обязательный набор проектных требований (жесткие ограничения). В ходе эволюционного процесса в первую очередь отбираются альтернативные решения, удовлетворяющие жестким ограничениям. На втором этапе селекции из полученного множества альтернативных решений выбираются индивиды, наилучшим образом удовлетворяющие мягким ограничениям. В работе [Ando et al, 2000] предложена методика изменения весовых коэффициентов в зависимости от размера цепи. Она позволяет отбирать более эффективные с точки зрения размеров кристалла схемотехнические решения.
В настоящее время коммерческие системы автоматизированного схемотехнического проектирования активно используют методы искусственного интеллекта для оптимизации проектных решений. Однако только системы, основанные на эволюционных вычислениях, позволяют выполнить все этапы схемотехнического проектирования в автоматическом режиме. Эволюционные вычисления позволяют также обеспечить более эффективный выбор параметров схемы по сравнению с методом Монте-Карло [Rogenmoser et al, 1996]. Таким образом, применение эволюционных вычислений в автоматизированных системах схемотехнического проектирования представляется наиболее перспективным. Разработанные в последние годы эффективные алгоритмы генетического поиска, в частности, многоальтернативные генетические алгоритмы [Курейчик и др, 2003; Зинченко и др., 2003] обеспечивают нахождение проектного решения при минимальных вычислительных затратах.