[论文解读] 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 4

一句话总结

BoA-PTA 提出了一种贝叶斯优化框架，通过使用 CEPTA 求解器动态调整伪瞬态分析参数，利用高斯过程和深度学习加速无误差的 SPICE 仿真。该方法在无需预计算数据或离线训练的情况下，实现了相对于 CEPTA 平均 2.3 倍（最高达 3.5 倍）的加速，可实现对已知及未见电路的实时加速。

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.

研究动机与目标

• 解决集成电路设计中重复 SPICE 仿真带来的高计算成本问题，其耗时可高达开发时间的 80%。
• 克服现有基于机器学习的 SPICE 加速方法缺乏误差边界且需要大规模预计算数据集的局限性。
• 通过自动优化伪参数设置，提升最先进的 CEPTA 求解器的效率与收敛性。
• 在无需重新训练或数据收集的前提下，实现对正在进行的仿真和新出现的未见电路的实时、无误差加速。
• 将先进的机器学习技术——如贝叶斯优化、深度学习和变分推断——整合到一个稳健可靠的仿真框架中。

提出的方法

• 采用贝叶斯优化（BO）在 CEPTA 求解器中搜索最优伪瞬态分析（PTA）参数，以最小化仿真时间。
• 使用深度神经网络（DNN）从网表结构中提取电路特征，实现对未见电路的泛化能力。
• 对高斯过程（GP）代理模型应用非平稳单调变换，以提高对非平稳仿真行为的建模精度。
• 通过重参数化技术实现变分推断，高效训练 GP 模型并实现不确定性量化。
• 集成多种采集函数——期望改进（EI）、最大期望改进（MES）和置信上界（UCB）——以平衡探索与利用。
• 通过实时仿真反馈迭代更新 BO 框架，实现在无离线数据或重新训练情况下的在线自适应。

实验结果

研究问题

• RQ1 贝叶斯优化是否能有效加速 SPICE 仿真，而不会引入数值误差，且无需预计算数据？
• RQ2 所学习的参数调优框架在无需重新训练的情况下，对未见电路的泛化能力有多大？
• RQ3 不同采集函数（EI、MES、UCB）在优化 PTA 参数以实现 SPICE 收敛与速度方面有何对比？
• RQ4 所提出框架在蒙特卡洛参数变化下，能否在多种电路类型中保持鲁棒性与收敛性？
• RQ5 通过自适应参数调优，相对于基线 CEPTA 求解器，最大可实现多少倍的加速？

主要发现

• BoA-PTA 在 43 个基准电路上实现了相对于原始 CEPTA 求解器平均 2.3 倍（最高达 3.5 倍）的加速。
• 该方法在未见电路上也表现出一致的性能提升，在蒙特卡洛仿真中对 CEPTA 实现了 2 倍的加速。
• MES 采集函数表现出最稳定且高效的性能，尤其在高变异性的蒙特卡洛环境中。
• BoA-PTA 在所有仿真中均保持 100% 的收敛率，优于 DPTA、RPTA 和 PPTA，后三者存在较高的非收敛率（例如 PPTA 在 bjtff 中出现 6000 次非收敛）。
• 该框架成功将偏置电路的平均迭代次数减少至 913（而 PPTA 为 5644），且 CEPTA 的标准差仅为 51，表明具有高度稳定性。
• 基于 DNN 的特征提取实现了有效的知识迁移，使系统能够在未接触过的新电路上实现泛化，无需事先暴露或重新训练。