Resumen: La adopción de técnicas basadas en aprendizaje automático para el diseño de circuitos integrados analógicos, a diferencia de su contraparte digital, se ha visto limitada por los estrictos requisitos impuestos por restricciones eléctricas y específicas de problemas, junto con la interdependencia de los pasos de planificación y enrutamiento. En este trabajo, abordamos una preocupación frecuente entre los ingenieros de diseño con respecto a la necesidad de contar con soluciones de planificación de pisos que tengan en cuenta las rutas y estén disponibles fácilmente. En este sentido, desarrollamos un motor de planificación automática basado en el aprendizaje por refuerzo y una red neuronal convolucional de gráficos relacionales específicamente diseñado para condicionar la generación de planos hacia resultados más enrutables. Una combinación de una mayor resolución de la red y una integración precisa de la información de los pines, junto con una técnica de estimación dinámica de recursos de enrutamiento, permite equilibrar el enrutamiento y la eficiencia del área, y eventualmente cumplir con los estándares industriales. Al analizar el lugar y la efectividad de la ruta en un entorno simulado, el enfoque propuesto logra una reducción del 13,8 % en el espacio muerto, una reducción del 40,6 % en la longitud del cable y un aumento del 73,4 % en el éxito del enrutamiento en comparación con técnicas de última generación basadas en el aprendizaje del pasado.
Publicado originalmente en export.arxiv.org el 19 de octubre de 2025.
Ver fuente original
