LOADBench 发布开源模拟 IC 数据集与六项基准
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载模拟设计 ML 的数据困境
论文指出，模拟集成电路设计中的机器学习受限于两点：公开数据有限，以及缺少标准化评测。不同论文的结果通常来自各自定制、往往不公开的数据集，并使用临时设定的指标，导致方法之间难以可靠比较。LOADBench 试图同时填补这两个缺口，做法是提供一个大规模开源数据集，并配套一套标准化基准。这一动机决定了数据集的组织方式：不只是给出一批电路样本，而是把评测协议一并固定下来，使异构的模拟设计自动化方法能在同一套任务和指标下被直接对比。
数据集里有什么
数据集的电路基于 SkyWater130 PDK，包含 100 多种运算放大器拓扑，覆盖 1 级、2 级和 3 级结构。每个拓扑都配有结构标注与功能标注，以及针对该拓扑的尺寸约束，包括对称规则和尺寸规则。此外还提供 Ngspice 测试台，以及一次多目标 NSGA-II 尺寸优化运行的结果，每个拓扑约产生 10^3 个帕累托最优解和 10^6 个中间尺寸-性能对。作者称，这是模拟 IC 设计自动化四十多年来面向机器学习开发最全面的数据集。
六项基准任务
在数据之上，作者定义了六项带明确协议的基准任务：反向尺寸、拓扑选择、子电路分类、结构电路生成、帕累托成员预测和多目标优化。这些任务覆盖了从给定性能反推尺寸、从候选拓扑中做选择、对子电路分类，到直接生成电路结构、判断某个解是否属于帕累托前沿，以及多目标优化的完整链条。数据集、真值标注以及定义指标的例程参考实现均以开放许可发布，目的是让不同模拟设计自动化方法的评测可复现、可直接比较。
为什么值得看
模拟电路 ML 长期缺公开数据和统一评测，这套数据与六项任务让不同方法可直接对比。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。