[論文レビュー] BoA-PTA, A Bayesian Optimization Accelerated Error-Free SPICE Solver

Wei Xing, Xiang Jin+4 more|arXiv (Cornell University)|Jul 31, 2021

Numerical Methods and Algorithms参考文献 38被引用数 4

ひとこと要約

BoA-PTA は、CEPTA ソルバを用いた誤差のない SPICE シミュレーションの高速化を目的としたベイジアン最適化フレームワークを提案する。ガウス過程とディープラーニングを用いて、動的に擬似遷移解析パラメータを最適化することで、事前計算データやオフライン学習を必要とせず、平均 2.3 倍（最大 3.5 倍）の高速化を達成し、既知および未知の回路に対してもリアルタイムでの高速化を可能にする。

ABSTRACT

One of the greatest challenges in IC design is the repeated executions of computationally expensive SPICE simulations, particularly when highly complex chip testing/verification is involved. Recently, pseudo transient analysis (PTA) has shown to be one of the most promising continuation SPICE solver. However, the PTA efficiency is highly influenced by the inserted pseudo-parameters. In this work, we proposed BoA-PTA, a Bayesian optimization accelerated PTA that can substantially accelerate simulations and improve convergence performance without introducing extra errors. Furthermore, our method does not require any pre-computation data or offline training. The acceleration framework can either be implemented to speed up ongoing repeated simulations immediately or to improve new simulations of completely different circuits. BoA-PTA is equipped with cutting-edge machine learning techniques, e.g., deep learning, Gaussian process, Bayesian optimization, non-stationary monotonic transformation, and variational inference via parameterization. We assess BoA-PTA in 43 benchmark circuits against other SOTA SPICE solvers and demonstrate an average 2.3x (maximum 3.5x) speed-up over the original CEPTA.

研究の動機と目的

• IC 設計における繰り返し SPICE シミュレーションの高い計算コストを軽減すること。これは開発時間の最大 80% を占めることがある。
• 大規模な事前計算済みデータセットを必要とし、誤差の境界を提供しない既存の機械学習ベースの SPICE 高速化手法の限界を克服すること。
• CEPTA ソルバの最新技術を、その擬似パラメータ設定の自動最適化により、効率性と収束性を向上させること。
• 再トレーニングやデータ収集を必要とせず、進行中のシミュレーションおよび未確認の回路に対してもリアルタイムで誤差のない高速化を可能にすること。
• ベイジアン最適化、ディープラーニング、変分推論といった高度な機械学習技術を統合し、堅牢で信頼性の高いシミュレーションフレームワークを構築すること。

提案手法

• シミュレーション時間の最小化を目的として、CEPTA ソルバにおける最適な擬似遷移解析（PTA）パラメータを探索するため、ベイジアン最適化（BO）を採用する。
• ネットリスト構造からの回路特徴抽出にディープニューラルネットワーク（DNN）を用い、未確認の回路への一般化を可能にする。
• 非定常なシミュレーション行動のモデリング精度を向上させるために、ガウス過程（GP）補間モデルに非定常的で単調な変換を適用する。
• 再パrameter化を用いた変分推論により、不確実性の評価を伴う効率的な GP モデルのトレーニングを実現する。
• 探索と活用のバランスを取るために、複数の獲得関数（期待改善（EI）、最大期待改善（MES）、上側信頼区間（UCB））を統合する。
• リアルタイムのシミュレーションフィードバックを用いて BO フレームワークを繰り返し更新し、オフラインデータや再トレーニングなしにオンライン適応を可能にする。

実験結果

リサーチクエスチョン

• RQ1 事前計算データを必要とせず、数値誤差を導入せずに、ベイジアン最適化が SPICE シミュレーションの高速化に効果的であるか。
• RQ2 学習済みのパラメータチューニングフレームワークが、再トレーニングなしに未確認の回路へどの程度一般化できるか。
• RQ3 異なる獲得関数（EI、MES、UCB）は、SPICE の収束性と速度の最適化において、どのように比較されるか。
• RQ4 提案フレームワークは、モンテカルロ変動に対して多様な回路タイプにおいても、頑健性と収束性を維持できるか。
• RQ5 適応的パラメータチューニングを用いることで、ベースラインの CEPTA ソルバに対して、最大どの程度の高速化が達成可能か。

主な発見

• BoA-PTA は、43 個のベンチマーク回路において、元の CEPTA ソルバに対して平均 2.3 倍、最大 3.5 倍の高速化を達成した。
• 未確認の回路に対しても一貫した性能向上を示し、モンテカルロシミュレーションでは CEPTA に対して 2 倍の高速化が確認された。
• MES 獲得関数が、特に変動が大きいモンテカルロ環境下でも最も安定的かつ効果的な性能を示した。
• BoA-PTA はすべてのシミュレーションで 100% の収束率を維持した。これに対して DPTA や RPTA、PPTA は高い非収束率（例：PPTA では bjtff で 6000 回の非収束）を示した。
• バイアス回路では反復回数の平均を 913 回にまで削減（PPTA の 5644 回に対し）、CEPTA の標準偏差はわずか 51 にとどまり、高い安定性を示した。
• DNN を用いた特徴抽出により、事前の露出や再トレーニングなしに、効果的な知識の転送が可能になった。