arXiv cs.AI· M. Leibl, F. Azevedo, S. Uhlich, A. Bonetti, A. Venkitaraman, C. Hsieh, P. Pham, L. Servadei, H. Graeb, R. Martins·· 2 天前AI 评分24
LOADBench：面向 IC 设计机器学习的大型开放模拟数据集与基准
LOADBench: A Large Open Analog Dataset and Benchmark for Machine Learning in IC Design
AI 导读
LOADBench 发布了一个面向模拟 IC 设计机器学习的大型开源数据集与标准化基准，包含 SkyWater130 PDK 中 100 多种运放拓扑（1、2、3 级），每种拓扑附带结构与功能标注、尺寸约束、Ngspice testbench，以及 NSGA-II 多目标尺寸优化产生的约 10³ 个 Pareto 最优和 10⁶ 个中间尺寸-性能数据对。
正文 · AI 翻译
摘要：用于模拟 IC 设计的机器学习（ML）受限于开放数据有限以及缺乏标准化评估：不同论文中报告的结果通常是在定制的、往往不公开的数据集上、使用临时性指标获得的，导致方法之间的比较不可靠。我们通过一个大型开源数据集和一套标准化基准来弥补这两个缺口。该数据集包含 SkyWater130 PDK 中 100 多种运算放大器（opamp）拓扑（1 级、2 级和 3 级），每个拓扑都附带结构和功能注释、拓扑特定的尺寸约束（对称性和尺寸规则）、一个 Ngspice 测试平台，以及一次多目标 NSGA-II 尺寸优化运行，每个拓扑产生约 10³ 个帕累托最优和 10⁶ 个中间尺寸-性能对。在此数据之上，我们定义了六个具有精确协议的基准任务：逆向尺寸设计、拓扑选择、子电路分类、结构电路生成、帕累托成员预测和多目标优化。因此，这里呈现的数据构成了模拟 IC 设计自动化四十多年来用于 ML 开发的最全面的数据集。该数据集、真值注释以及指标定义例程的参考实现均在开放许可下发布，从而能够对异构模拟设计自动化方法进行可复现且可直接比较的评估。
| 评论： | 9 页，6 幅图，会议：MLCAD '26：第 8 届 ACM/IEEE 国际机器学习用于 CAD 研讨会，2026 年 9 月 7 日至 9 日，韩国济州 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.21591 [cs.AI] |
| （或 arXiv:2610.21591v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21591 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 相关 DOI： | https://doi.org/10.1145/3831599.3840321
链接到相关资源的 DOI |
提交历史
来自：Markus Leibl [查看电子邮件]
[v1]
2026 年 10 月 15 日星期四 09:36:21 UTC（1,291 KB）
来源：arXiv cs.AI · arxiv.org