迈向通用且高效的电路拓扑设计：一种基于图变换器的替代模型及其课程学习机制

《ACM Transactions on Design Automation of Electronic Systems》：Towards Generalizable and Efficient Circuit Topology Design: A Graph-Transformer-based Surrogate Model with Curriculum Learning

自动设计模拟电路拓扑时，面临拓扑空间指数级增长和传统评估方法耗时的挑战。本文提出Graph-Transformer-based Network（GTN）代理模型，通过嵌入电路环路电压变化和连接设备电流流，实现未知拓扑的高效预测。结合课程学习策略，从简单电路逐步扩展至复杂电路，有效解决冷启动问题。实验表明，GTN在电源转换电路设计中的相对误差小于5%，相比高保真仿真提速196倍，且98.2%的时间内能自动生成与仿真相当的电路设计。课程学习加持的GTN预测精度提升51%。

　　

摘要

与电路参数和尺寸优化不同，模拟电路拓扑的自动化设计对基于学习的方法提出了重大挑战。其中一个挑战是随着电路规模的增加，拓扑空间的组合数量呈指数级增长，这限制了拓扑优化的效率。此外，传统的电路评估方法耗时较长，而拓扑空间中的数据不连续性使得对未见过的拓扑结构进行精确的性能预测变得极其困难。为了解决这些挑战，我们设计了一种基于图变换器（Graph-Transformer，简称GTN）的模型作为电路评估的替代模型，该模型在显著提高电路拓扑优化速度的同时不牺牲性能。我们的GTN模型架构能够将电压变化嵌入电路环路中，并将电流流动纳入连接设备中，从而实现对未见过的拓扑结构的精确性能预测。为了解决将GTN扩展到大规模电路时的“冷启动”问题，我们进一步引入了一种渐进式学习策略，使GTN能够从小规模电路逐步训练到大规模电路。这种方法使模型首先从简单的拓扑结构中学习基本的物理原理，然后逐渐适应复杂的配置，有效弥合了电路复杂性的差距并提高了预测准确性。以电源转换器电路设计为例，我们的GTN模型在性能上明显优于分析方法和直接使用图神经网络的基线方法。此外，与高保真仿真相比，GTN的相对误差小于5%，且速度提升了196倍。值得注意的是，我们的GTN替代模型使自动电路设计框架能够生成与高保真仿真结果质量相当的电路设计，同时将所需时间缩短了多达98.2%。通过渐进式学习，改进后的GTN在大型电路的性能预测方面比未采用该策略的GTN模型提高了51%。这些进展表明，GTN是一个可扩展的框架，适用于不同复杂度级别的自动模拟电路设计。