2021 Fiscal Year Research-status Report
アナログ集積回路の設計レスシステムの構築 ～要求仕様を満たす回路構造選択の学習～
| Project/Area Number |
20K11727
|
|---|
| Research Institution | Gunma University |
|---|
Principal Investigator |
高井 伸和 群馬大学, 大学院理工学府, 准教授 (70318905)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | アナログ集積回路設計 / 自動設計 / 深層学習 / 深層強化学習 / 演算増幅機 |
|---|
| Outline of Annual Research Achievements |
アナログ集積回路設計は、（1）要求仕様を満たす回路構造の選択、（2）選択した回路構造の素子値の設計 の2つの過程で構成される。（1）の過程は令和2年度の研究成果からニューラルネットワークを用いて実現可能であることを示した。また（2）の過程は、研究課題（17K00073）や令和2年度の研究成果から深層強化学習（A3C）で実現できることを示した。研究過程で次の問題があることが分かった。（1）で用いたニューラルネットワークは高い精度である一方、データの正規化が必要であり、外れ値の影響を受けやすい。そのため他の入力データの影響を受け易く適切な回路選択ができない場合がある。（2）で用いた深層強化学習のアルゴリズム（A3C）は初期値に結果が大きく依存するため、結果にばらつきがある。
これらの課題を踏まえ令和3年は研究実施計画をもとに、(i)既存回路の学習に適したモデルの構築、(ii)CMOSFET プロセスによる実機による自動設計回路の評価、(iii)学習情報を用いた演算増幅器の自動設計、について取り組んだ。
(i)の課題に関しては、設計者が経験や知識で実施する回路構造の選択を計算機で学習した結果、昨年度より多くの回路（7回路→11回路）を学習したにもかかわらず、ニューラルネットワークに比べ「ランダムフォレスト」「XGBoost」を用いた方がより適切に回路選択可能であることを示した。
(ii)の課題で試作した回路は、演算増幅器設計コンテストの試作部門で準優勝し、本研究で得た結果は実用性もあることが示せた。
(iii)の課題では、深層強化学習のアルゴリズムの初期値依存問題の解決に、(i)の課題で用いた学習データが再利用可能であること着目した。これにより約1/2の時間で学習が収束することを確認した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
令和3年度は研究実施計画に基づき次の研究に取り組んだ。（1）機械学習を用いた既存回路の情報化、（2）自動設計と人間による設計回路のCMOSプロセスによる試作と評価、（3）A/D変換回路の実現、（4）学習情報を用いた演算増幅回路の実現、（5）演算増幅器設計コンテストへの参加
（1）の研究では昨年度得られた問題点の改良に取り組んだ。学習に用いたニューラルネットワークはデータの正規化が必要であり、かつ外れ値の影響を受けやすいため、これが既存回路を適切に分類できない原因となっていた。そこで、外れ値やデータ正規化の問題を解決した決定木アルゴリズムの一つである「ランダムフォレスト」と「XGBoost」を用いた。設計者が経験や知識で実施する回路構造の選択を計算機で学習した結果、学習する回路数を7回路から11回路へと増やしたにもかかわらず、回路の特徴を適切に捉えた学習が可能であることを示した。
（2）と（5）では、演算増幅器設計コンテストの試作部門において準優勝となり、研究成果の有効性を示す結果となった。またシミュレーション部門では1部門で優勝、1部門で準優勝、その他多くの回路で入賞している。
（4）の研究では昨年度得られた問題点の改良に取り組んだ。深層強化学習として A3C から IMPALA に変更し高速な学習を得た。しかしこれらアルゴリズムは初期値依存問題があるため、結果にばらつきがあった。そこで（1）の課題で作成した学習データを再利用できることに着目し、学習の初期値をニューラルネットワークで予測し、その予測値（素子値）から学習を開始することで、収束時間が1/2になることを確認した。
|
| Strategy for Future Research Activity |
本年度得た問題点などを踏まえつつ、令和4年度は次の3点について研究を推進する予定である。
（1）機械学習を用いた既存回路の情報化：幅広い特性に対応できる学習データを収集しつつ、情報量を増やす
（2）CMOSFETプロセスを用いた実機による自動設計回路の評価：昨年度に続き、実際に自動設計回路をICチップで試作し、評価及び演算増幅器設計コンテストでの優勝を目指す。
（3）演算増幅器設計コンテストへの参加：コンテストの試作部門およびシミュレーション部門の両部門で、自動設計回路の優勝を目指す
|
| Causes of Carryover |
当初の見積額より実際の購入額が少なかったため、少額の差額が生じた。
購入が年度末であったため、繰り越すこととなった。
本額によって来年度予算の使用計画に変更はないが、消耗品の買い増しを考えている。
|
Research Products
(10 results)
