Evalúe el circuito público ngspice de AutoCkt
En esta página
Utilice el real Repositorio de autores AutoCkt para simular el amplificador operacional público de dos etapas de 45 nm del periódico. Settaluri et al., FECHA 2020, Sección III-B, Figura 6 y Tabla II, informe 963/1000 especificaciones retenidas y un promedio de 27 simulation para diseños exitosos. Los pesos de política originales y las semillas evaluation no se encontraron en el repositorio público. Los conjuntos agrupados de 938 alcanzados/62 no alcanzados son clasificaciones de objetivos guardados, no un agente capacitado ni una nueva reproducción.
La fuente pública entrena una política de 64×64, mientras que el artículo establece tres capas de 50 neuronas. Su conjunto de entrenamiento incluido contiene 350 vectores objetivo, mientras que el artículo describe 50; el entorno público no divide este archivo en subconjuntos por trabajador. Esta guía sigue el código público y registra la discrepancia. Cubre el circuito público ngspice; Spectre, la tecnología patentada y los resultados posteriores al diseño quedan fuera de esta edición.
Recuperar y preparar#
Ejecute en un directorio aislado, con todos los entornos, cachés y salidas en su disco de datos de trabajo. Coloque los archivos de arnés con licencia MIT suministrados junto al destino AutoCkt directorio. El repositorio del autor no tiene ninguna licencia de reutilización detectada: el arnés la recupera localmente y registra su identidad; el laboratorio no distribuye esa fuente.
Cree un entorno Python 3.6.15 aislado. La ejecución grabada utilizó conda-forge para Python y pip 21.3.1, luego requirements-legacy.txt y el capturado requirements-tested.txt. Los pines de TensorFlow 1.10.1/NumPy 1.16.4 del autor entran en conflicto con el límite superior de NumPy declarado por TensorFlow; la instalación aislada utilizó el solucionador heredado de pip para preservar esos pines de autor. No aplique estos paquetes antiguos a un entorno global.
export AUTOCKT_RUN_ROOT="$PWD"
export TMPDIR="$AUTOCKT_RUN_ROOT/tmp"
export PIP_CACHE_DIR="$AUTOCKT_RUN_ROOT/pip-cache"
mkdir -p "$TMPDIR" "$PIP_CACHE_DIR"
python retrieve_source.py
python -m pip install --use-deprecated=legacy-resolver -r requirements-legacy.txt
python -m pip install opencv-python-headless==3.4.18.65 flatbuffers==1.11 gast==0.3.2
Utilice el Python del entorno para cada comando. conjunto AUTOCKT_NGSPICE a su ejecutable ngspice si no está activado PATH; la ejecución retenida utilizó ngspice 41, en comparación con la versión 27 del autor. AUTOCKT_RAY_TMP a una ruta corta de escritura en el disco de datos de trabajo para que los antiguos sockets Ray Unix se ajusten al límite de longitud de ruta del sistema operativo. mantener AUTOCKT_RUN_ROOT, Ray scratch, salidas de circuitos nativos y directorios de registro en ese disco.
Corre el circuito y entrena.#
export PYTHONPATH="$AUTOCKT_RUN_ROOT"
export OMP_NUM_THREADS=1 OPENBLAS_NUM_THREADS=1
export TF_NUM_INTRAOP_THREADS=1 TF_NUM_INTEROP_THREADS=1
python circuit_probe.py
export AUTOCKT_SEED=100
export AUTOCKT_TRAIN_ITERATIONS=150 AUTOCKT_TRAIN_SECONDS=900
python train_policy.py
export AUTOCKT_EVAL_SEED=10000 AUTOCKT_EVAL_COUNT=20
python evaluate_policy.py
La sonda del circuito inicial ejecuta el diseño de reinicio del autor y una acción de retención. Verifica la salida nativa y las mediciones repetidas, no una optimización exitosa. El arnés conserva el circuito nativo, los conjuntos de CA/CC y los registros del solucionador. Mantiene observaciones del autor, acciones, funciones de medición y recompensas; corrige límites de espacio de observación no válidos que de otro modo rechazan los valores devueltos por el propio autor. Los recorridos preliminares y la captura de resultados también cambian.
La capacitación sigue la configuración pública de CPU de seis trabajadores por lotes de 1200 muestras, horizonte de 30 pasos. Guarda puntos de control y métricas de aprendizaje literal después de cada iteración y se detiene en el criterio de recompensa media del autor o en el límite de iteración/tiempo de ejecución declarado. Una carrera limitada que no haya alcanzado ese criterio debe permanecer marcada como incompleta.
Evaluation genera objetivos con el generador del autor bajo una semilla separada y verifica que los vectores de destino no se superpongan con los 350 vectores de entrenamiento incluidos. Mantiene la regla de éxito del autor y además informa el cumplimiento estricto de las cuatro restricciones. El umbral de recompensa del autor permite un pequeño déficit normalizado agregado, por lo que estos recuentos pueden diferir. Aumente el recuento de evaluation a 1000 solo después del piloto y registre el comando modificado.
Compara el resultado#
leer target-plan.json, la formación real latest.json, y el evaluation evaluation.json. Inspeccione el recuento de éxitos, el intervalo binomial de Wilson del 95 %, el recuento medio de acciones exitosas, los valores y trayectorias de restricción por restricción. Las proporciones del papel son observaciones de referencia, no un umbral de paso para forzar el cambio de semillas. Una política recreada de fuente pública con diferente arquitectura, tiempo de ejecución, presupuesto de capacitación o semillas es una adaptación; La ejecución nativa exitosa por sí sola no reproduce la Tabla II. La revisión científica humana está pendiente.
Verificación de lanzamiento del simulador original#
Una fuente aislada del funcionario. ngspice-27 etiqueta (af7ab797c2b5548a99d9bcb4c7f74556aa4ac67e) también dirigió el circuito de autor real. Tanto los conjuntos de CA/CC como las cuatro medidas de diseño de reinicio coincidieron exactamente con ngspice 41 en las configuraciones comprobadas. Esta es una versión limitada de diagnóstico, no una prueba de igualdad para cada estado del circuito. La antigua interfaz por lotes regresaba1 después de producir resultados, a menos que se indicara explícitamente quit se agregó a la sección de control generado; AUTOCKT_ADD_QUIT=1 realiza ese cambio operativo y deja el modelo eléctrico sin cambios.
uso ngspice27-build.sh con un prefijo de herramientas de compilación aislado existente si necesita recrear ese simulador. El arnés no requiere paquetes de sistema ni cambios en el entorno global. Para la adaptación de capacitación vinculada en papel que se informa aquí, la ejecución de capacitación retenida utilizó ngspice 41; el diagnóstico27 no cambia retroactivamente su procedencia.
Resultado de campaña retenido#
La política limitada de semillas frescas 100 completó 140 iteraciones de entrenamiento/168000 pasos ambientales en 900,1 segundos. La recompensa media del episodio fue -3,4773777264721186. No se cumplió el criterio de detención de la fuente; esta formación sigue siendo incompleta.
Las pruebas finales independientes de 20 objetivos fueron:
| Semilla Evaluation | Éxito del autor | Éxito estricto | WilsonIntervalo del 95% para el éxito del autor |
|---|---|---|---|
| 10000 | 13/20 | 0/20 | [0.4328542766852419, 0.8188081758989145] |
| 10001 | 15/20 | 1/20 | [0.5312991223812622, 0.8881382985923318] |
| 10002 | 13/20 | 1/20 | [0.4328542766852419, 0.8188081758989145] |
El artículo informa 963/1000 para una configuración histórica de política/capacitación diferente. Estos recuentos de series adaptadas son comparaciones descriptivas y no establecen equivalencia histórica. El piloto del puesto de control anterior 46 y la carrera interrumpida siguen siendo pruebas separadas. No se ejecutó ninguna prueba completa de 1000 objetivos porque esta política limitada no completó el entrenamiento.


Un éxito de fuente-recompensa produjo un margen de fase de 58,4769° frente a un mínimo de 60°. La métrica estricta lo rechaza. Los intervalos de Wilson informados describen el muestreo objetivo para esta única política recién capacitada; no cuantifican la incertidumbre entre políticas formadas de forma independiente ni establecen equivalencia con el artículo.
Descargar los archivos grabados#
- retrieve_source.py — arnés_portátil_o_evidencia.
- author_runtime.py — arnés_portátil_o_evidencia.
- circuit_probe.py — arnés_portátil_o_evidencia.
- train_policy.py — arnés_portátil_o_evidencia.
- evaluate_policy.py — arnés_portátil_o_evidencia.
- requirements-legacy.txt — arnés_portátil_o_evidencia.
- requirements-tested.txt — arnés_portátil_o_evidencia.
- conda-explicit-clean.txt — arnés_portátil_o_evidencia.
- target-plan.json — arnés_portátil_o_evidencia.
- capacitance-check.json — arnés_portátil_o_evidencia.
- ngspice-version-comparison.json — arnés_portátil_o_evidencia.
- source-hashes.json — arnés_portátil_o_evidencia.
- reset-dc.csv — salida_numérica.
- seed10001-evaluation.json — salida_numérica.
- reset-ac.csv — salida_numérica.
- seed10002-evaluation.json — salida_numérica.
- seed10002-episodes.csv — salida_numérica.
- learning-curve.csv — salida_numérica.
- seed10001-episodes.csv — salida_numérica.
- summary.json — salida_numérica.
- seed10000-evaluation.json — salida_numérica.
- seed10000-episodes.csv — salida_numérica.
- training-curve.png — salida_numérica.
- heldout-success.png — salida_numérica.
- plot_outputs.py — arnés_portátil_o_evidencia.
- plotting-requirements.txt — arnés_portátil_o_evidencia.
- ngspice-version-file-hashes.json — arnés_portátil_o_evidencia.
- guide.md — controlador portátil o registro de entorno/fuente.
- ngspice27-build.sh — controlador portátil o registro de entorno/fuente.
Registro de ejecución completo · Todos los intentos de los candidatos. La revisión científica humana está pendiente.