AutoSizer: KI-gestützte Transistorgrößenbestimmung für AMS-Schaltungen
Die neue Methode AutoSizer nutzt Künstliche Intelligenz, um die Transistorgrößen in Analog- und Mixed-Signal-Schaltungen automatisch zu bestimmen. Damit wird ein langjähriger Engpass im Designprozess von AMS‑ICs adressiert.
Der Entwurf von AMS‑Schaltungen ist bislang stark von Expertenwissen abhängig. Die Wahl der Transistorgrößen ist besonders schwierig, weil das Verhalten nichtlinear ist, der Designraum hochdimensional und die Leistungsanforderungen streng sind.
Traditionelle EDA‑Methoden behandeln die Größenbestimmung als statische Black‑Box‑Optimierung. Das führt zu ineffizienten und weniger robusten Lösungen, die oft lange Simulationszyklen erfordern.
Große Sprachmodelle (LLMs) zeigen beeindruckende Denkfähigkeiten, sind jedoch nicht für die präzise numerische Optimierung in AMS‑Designs ausgelegt.
AutoSizer ist ein reflektierendes, LLM‑gesteuertes Meta‑Optimierungsframework. Es vereint Schaltungsverständnis, adaptive Suchraumkonstruktion und Optimierungsorchestrierung in einem geschlossenen Regelkreis.
Der Ansatz besteht aus zwei Schleifen: Ein innerer Loop führt die eigentliche Transistorgrößenoptimierung durch, während ein äußerer Loop die Optimierungsdynamik analysiert und anhand von Simulationsfeedback den Suchraum iterativ verfeinert.
Zur Bewertung des Ansatzes wurde AMS‑SizingBench entwickelt – ein offenes Benchmark mit 24 unterschiedlichen AMS‑Schaltungen in der SKY130 CMOS‑Technologie. Es simuliert realistische Designbedingungen und ermöglicht den Vergleich adaptiver Optimierungsstrategien.
Experimentelle Ergebnisse zeigen, dass AutoSizer eine höhere Lösungsqualität, schnellere Konvergenz und eine höhere Erfolgsrate erzielt als herkömmliche Optimierungsmethoden und bestehende LLM‑basierte Agenten.
AutoSizer demonstriert, dass KI‑gestützte Meta‑Optimierung die Zukunft der AMS‑Designautomatisierung sein kann, indem sie die Abhängigkeit von Expertenwissen reduziert und gleichzeitig effizientere, robustere Lösungen liefert.