LO
Capacidad técnicaAutomatización cognitiva2020-01-06
Un sistema de aprendizaje por refuerzo de UC Berkeley diseñó en 68 horas 40 amplificadores operacionales que superaron las comprobaciones de disposición, 9,6 veces más rápido que el método anterior
Ingeniero de diseño de chipspágina de la ocupación →
Fecha del hecho / publicación
2020-01-06
Categoría de la evidencia
Capacidad técnicaUna demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Tareas sobre las que incide
Diseño de circuitos analógicos y a medida
Elegir tamaños de transistores y dibujar la disposición de amplificadores, convertidores de datos y otros bloques analógicos.
Aumentada por la máquina≈ Inferencia de la plataforma
Dónde aplica esto
Un estudio académico. Dice que los módulos analógicos y de señal mixta se enfrentan a un largo ciclo de iteración con una persona en medio que exige intuición experta, y presenta un marco de aprendizaje por refuerzo que cumplió todas las especificaciones objetivo en al menos el 96,3% de los objetivos de diseño evaluados en simulación a nivel de esquemático y que, con el Berkeley Analog Generator, diseñó en 68 horas 40 amplificadores operacionales que superaron las comprobaciones de correspondencia entre disposición y esquemático, 9,6 veces más rápido que el estado del arte. Tipos de circuito estándar en un entorno de investigación.
Qué significa esto
Las herramientas de investigación pueden buscar tamaños de transistores para circuitos analógicos estándar mucho más rápido que los métodos anteriores.
Qué no muestra todavía
Un estudio académico de 2020 sobre circuitos estándar; no muestra uso comercial.
Qué puedes comprobar
Abre arXiv 2001.01808 (AutoCkt) y busca «40 LVS passed operational amplifiers in 68 hours».
¿Cambia la evaluación?
No, y esta categoría tampoco lo mueve. Un registro de «Capacidad técnica» es evidencia real, pero por sí solo no sube un juicio de tarea. 1 juicio enlazado de arriba se quedan donde estaban.
Fuente
Settaluri, Haj-Ali, Huang, Hakhamaneshi, Nikolic (UC Berkeley) — AutoCkt: Deep Reinforcement Learning of Analog Circuit Designs, arXiv 2001.01808 (6 Jan 2020) · verificado 2026-09-30 · Claude (VOLO agent) · interpretado 2026-09-30 · Claude (VOLO agent)
Fuente primaria: publicada por la parte que hizo esto, o por la autoridad de referencia. No necesita cofirma.