Nowadays the IC design process is highly manual and relies on engineer's field knowledge for reasonable productivity. Technology shrinking has led to higher impact of secondary effects on circuit performance characteristics, which ultimately complicated the design process even further, giving a rise to need for design automation tools. High accuracy simulation based heuristic swarm intelligence methods combined with machine learning and artificial intelligence techniques allow the replacement of costly simulations with performance evaluations via neural networks, the accuracy of which relies on diversity and large quantities of training data that may not be readily available for most design problems. In this work, the IC design automation system is proposed incorporating a generative adversarial network with Wasserstein loss and gradient penalty coupled with Spearman's rank correlation coefficient matrix for guided generation of predictive network's training data. It was shown that the proposed system doesn't require huge amounts of data presence in advance; it uses deep neural network occasionally retrained during the optimization process, for performance evaluation and a genetic algorithm for global exploration of design search space. The designing of high-performance mixed logic line decoder and two-stage operational amplifier has demonstrated the viability of automated IC design system.

В настоящее время проектирование ИС выполняется вручную и зависит от знаний инженера в данной области. Минимизация технологий привела к более сильному влиянию вторичных эффектов на рабочие характеристики схемы и в конечном счете еще более усложнила процесс проектирования, что обусловило необходимость автоматизации проектирования. Методы эвристического роевого интеллекта, основанные на высокоточном моделировании, а также методы машинного обучения и искусственного интеллекта позволяют заменить дорогостоящее моделирование оценкой производительности с помощью нейронных сетей, точность которых зависит от разнообразия и большого количества обучающих данных, не доступных для большинства задач проектирования. В работе предложена система автоматизации проектирования ИС, включающая в себя генеративно-состязательную сеть с подсчетом потерь Вассерштейна и градиентным штрафом в сочетании с матрицей коэффициентов ранговой корреляции Спирмена для управляемой генерации обучающих данных для прогнозирующей сети. Показано, что система не требует наличия огромного количества данных, использует для оценки производительности глубокую нейронную сеть, которая переобучается в процессе оптимизации, а для глобального исследования поискового пространства - генетический алгоритм. Применение спроектированного высокопроизводительного декодера со смешанной логикой и двухкаскадного операционного усилителя показало работоспособность системы автоматизированного проектирования ИС.

Известия высших учебных заведений. Электроника = Proceedings of universities. Electronics: научно-технический журнал. — Москва: МИЭТ, 2022 -. — Электрон. журнал. — Периодичность: 6 раз в год. — Размещен на платформе "eLIBRARY.RU", ООО НЭБ: https://elibrary.ru/. — Доступ по паролю из сети Интернет (чтение). — <URL:https://www.elibrary.ru/title_about_new.asp?id=7821>.

Известия высших учебных заведений. Электроника = Proceedings of universities. Electronics: научно-технический журнал. — Москва: МИЭТ, 2022 -. Т. 28, № 5, 2023. — (14 ст.). — Доступ по паролю из сети Интернет (чтение). — <URL:https://www.elibrary.ru/contents.asp?id=54683297>.