新的贝叶斯优化方法自适应电路表示以加速搜索

研究人员开发了一个名为 TTARO 的新贝叶斯优化框架，旨在提高模拟电路拓扑搜索的效率。TTARO 通过联合学习特征变换和高斯过程代理模型，在优化过程中实时自适应电路表示。与使用固定表示的方法相比，这种持续的自适应能更有效地将搜索空间与优化目标对齐。实验表明，与标准贝叶斯优化相比，TTARO 的遗憾 AUC 平均降低了 15.2%，与深度核学习相比降低了 20.7%。 AI

影响 这种新方法通过提高基于仿真的搜索效率，有可能加速模拟电路的设计和优化。

排序理由 该条目是一篇研究论文，详细介绍了一种新的贝叶斯优化方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• Bayesian optimization
• CatalyzeX
• DagsHub
• Deep Kernel Learning
• Gaussian process
• Gotit.pub
• Hugging Face
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →