AMS回路設計のための因果AI：解釈可能なパラメータ効果分析

arXiv cs.AI / 2026/3/27

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、SPICEシミュレーションデータからディレクテッド・エーシクリック・グラフ（DAG）を学習し、パラメータ関係をモデル化することで、アナログ混載信号（AMS）回路設計向けの因果推論フレームワークを提案する。
平均処置効果（ATE）を用いてパラメータの影響を推定し、設計ノブの解釈可能なランキングと、トレードオフ解析のための明示的な「もしも（what-if）」予測を得る。
この手法は、TSMC 65nmで実装された3つの動作増幅器ファミリ（OTA、テルスコピック、折りたたみカスコード）で評価され、ニューラルネットワーク回帰器とベンチマークされる。
結果として、因果モデルはシミュレーションに基づくATEを、平均絶対誤差25%未満で再現できるのに対し、ニューラルネットワークは80%以上の逸脱があり、しばしば誤った方向（符号）を予測する。
著者らは、このことは、純粋にデータ駆動型の予測器と比べて、因果AIがより正確で説明可能なAMS設計自動化の可能性を示すものだと主張している。

Abstract

アナログ混載信号（AMS）回路は高度に非線形であり、連続的な実世界の信号上で動作するため、デジタルブロックに比べてデータ駆動型AIによるモデル化がはるかに困難です。構造化された設計データ（デバイス寸法、バイアス電圧など）と実世界での性能とのギャップを埋めるために、本研究では、因果推論の枠組みを提案します。この枠組みはまず、SPICEシミュレーションデータから有向非巡回グラフ（DAG）を発見し、その後、平均処置効果（ATE）推定によってパラメータの影響を定量化します。このアプローチにより、設計ノブの人間が解釈できるランキングと、明示的な「what-if（仮に〜したらどうなるか）」予測が得られます。これにより、寸法やトポロジの選択におけるトレードオフを設計者が理解できるようになります。提案手法の有効性を、TSMC 65nmで実装した3つのオペレーショナル・アンプ系（OTA、テレスコピック、およびフォールドカスコード）に対して評価し、ベースラインとなるニューラルネットワーク（NN）回帰器と比較します。すべての回路において、因果モデルはシミュレーションに基づくATEを平均絶対誤差25%未満で再現する一方で、ニューラルネットワークは80%以上ずれ、さらに符号を誤って予測することが頻繁に起きます。これらの結果は、因果AIがより高い精度と説明可能性の両方を提供することを示しており、より効率的で信頼できるAMS設計自動化への道を拓きます。