LO
Capacidade técnicaAutomatização cognitiva2020-01-06
Um sistema de aprendizagem por reforço da UC Berkeley projetou 40 amplificadores operacionais que passaram as verificações de disposição em 68 horas, 9,6 vezes mais depressa do que o método anterior
Engenheiro de projeto de chipspágina da profissão →
Data do facto / publicação
2020-01-06
Categoria da prova
Capacidade técnicaUma demonstração, um referencial ou um artigo mostram que a tarefa pode ser feita. Atualiza o que a tecnologia consegue fazer, não o que as empresas vão fazer.
Tarefas sobre as quais incide
Projeto de circuitos analógicos e personalizados
Escolher as dimensões dos transístores e desenhar a disposição de amplificadores, conversores de dados e outros blocos analógicos.
Aumentada pela máquina≈ Inferência da plataforma
Onde é que isto se aplica
Um estudo académico. Diz que os módulos analógicos e de sinal misto enfrentam um longo ciclo de iteração com uma pessoa no meio, que exige intuição especializada, e apresenta uma estrutura de aprendizagem por reforço que cumpriu todas as especificações-alvo em pelo menos 96,3% dos objetivos de projeto testados em simulação do esquema e que, com o Berkeley Analog Generator, projetou 40 amplificadores operacionais que passaram as verificações de disposição face ao esquema em 68 horas, 9,6 vezes mais depressa do que o estado da arte. Tipos de circuitos padrão num contexto de investigação.
O que isto significa
As ferramentas de investigação conseguem pesquisar dimensões de transístores para circuitos analógicos padrão muito mais depressa do que os métodos anteriores.
O que ainda não mostra
Um estudo académico de 2020 sobre circuitos padrão; não mostra uso comercial.
O que podes verificar
Abre o arXiv 2001.01808 (AutoCkt) e procura «40 LVS passed operational amplifiers in 68 hours».
Muda a avaliação?
Não, e esta categoria também não o move. Um registo de «Capacidade técnica» é prova a sério, mas por si só não sobe um juízo de tarefa. 1 juízo ligado em cima ficam onde estavam.
Fonte
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)
Fonte primária: publicada pela parte que fez isto, ou pela autoridade de referência. Não precisa de coassinatura.