아날로그/혼성신호 회로 설계는 공정, 전압, 온도(공정-전압-온도, PVT) 변이에 의해 성능이 저하되면서 상당한 어려움에 직면한다. 상용 수준의 신뢰성을 확보하기 위해서는 반복적인 수동 설계 수정과 광범위한 통계 시뮬레이션이 필요하다. 시판 출시 기간을 단축하기 위해 변이 인지형 아날로그 설계를 자동화하고자 한 여러 연구가 있었지만, 실제 웨이퍼에서 나타나는 상당한 불일치는 충분히 다루어지지 않았다. 본 논문에서는 PVT 변이에 대한 강인성을 개선하기 위해 다양한 무작위 불일치의 영향을 효과적으로 관리하는 아날로그 회로 사이징 프레임워크인 GLOVA를 제안한다. 제안 접근법에서는 PVT 변이에 의해 영향을 받는 신뢰성 상한을 반영하기 위해 위험 민감 강화학습을 활용하고, 표본 효율적인 학습을 달성하기 위해 앙상블 기반 비평가(critic)를 도입한다. 설계 검증을 위해서는 또한 실패한 설계를 식별하는 데 필요한 시뮬레이션 비용을 줄이기 위한 μ-σ 평가 및 시뮬레이션 재정렬 방법을 제안한다. GLOVA는 코너 시뮬레이션뿐 아니라 전역 및 국소 몬테카를로(MC) 시뮬레이션을 포함하는 산업 수준의 PVT 변이 평가 방법을 통해 검증을 지원한다. 기존의 선행 최첨단 변이 인지형 아날로그 사이징 프레임워크에 비해 GLOVA는 표본 효율에서 최대 $80.5\times$ 향상을, 시간에서는 $76.0\times$ 단축을 달성한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.