Trust-Region Method with Deep Reinforcement Learning in Analog Design Space Exploration

This paper introduces new perspectives on analog design space search. To minimize the time-to-market, this endeavor better cast as constraint satisfaction problem than global optimization defined in prior arts. We incorporate model based agents, contrasted with model-free learning, to implement a tr...

Celý popis

Podrobná bibliografie

Vydáno v:	2021 58th ACM/IEEE Design Automation Conference (DAC) s. 1225 - 1230
Hlavní autoři:	Yang, Kai-En, Tsai, Chia-Yu, Shen, Hung-Hao, Chiang, Chen-Feng, Tsai, Feng-Ming, Wang, Chung-An, Ting, Yiju, Yeh, Chia-Shun, Lai, Chin-Tang
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	IEEE 05.12.2021
Témata:	artificial intelligence Design automation electronic design automation Employee welfare Production Reinforcement learning Search problems Space exploration Supervised learning transistor sizing
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!