Évaluer le public d'AutoCkt ngspice circuit
Sur cette page
Utiliser la valeur réelle Référentiel d'auteur AutoCkt Simuler l'amplificateur d'exploitation public en deux étapes de 45nm. Settaluri et al., DATE 2020, Section III-B, Figure 6 et Tableau II, rapport 963/1000, spécifications retenues et 27 simulation en moyenne pour des conceptions réussies. Les pondérations de stratégie d'origine et les valeurs initiales evaluation n'ont pas été trouvées dans le référentiel public. Les tableaux groupés de 938 atteints/62 non atteints sont des classifications de cibles enregistrées, et non un agent formé ou une nouvelle reproduction.
La source publique forme une politique 64×64, tandis que l'article indique trois couches de 50 neurones. Son ensemble d ' entraînement groupé contient 350 vecteurs cibles, alors que l ' article en décrit 50; l'environnement public ne partitionne pas ce fichier en sous-ensembles par travailleur. Ce guide suit le code public et enregistre l'inadéquation. Il couvre le public ngspice circuit; Spectre, technologie exclusive et résultats après la mise en place restent en dehors de cette course.
Récupérer et préparer#
Exécutez dans un répertoire isolé, avec tous les environnements, caches et sorties sur votre disque de données de travail. Placez le produit fourni MIT-Licensed harnais fichiers à côté de la destination AutoCkt répertoire. Le dépôt auteur n'a pas de licence de réutilisation détectée: le harnais le récupère localement et enregistre son identité; le Lab ne distribue pas cette source.
Créer un environnement Python 3.6.15 isolé. L'exécution enregistrée a utilisé conda-forge pour Python et pip 21.3.1, puis requirements-legacy.txt et le capturé requirements-tested.txt. Les broches TensorFlow 1.10.1/NumPy 1.16.4 de l'auteur sont en conflit avec la limite supérieure NumPy déclarée par TensorFlow ; l'installation isolée utilisait le résolveur hérité de pip pour conserver ces broches d'auteur. N'appliquez pas ces anciens packages à un environnement global.
export AUTOCKT_RUN_ROOT="$PWD"
export TMPDIR="$AUTOCKT_RUN_ROOT/tmp"
export PIP_CACHE_DIR="$AUTOCKT_RUN_ROOT/pip-cache"
mkdir -p "$TMPDIR" "$PIP_CACHE_DIR"
python retrieve_source.py
python -m pip install --use-deprecated=legacy-resolver -r requirements-legacy.txt
python -m pip install opencv-python-headless==3.4.18.65 flatbuffers==1.11 gast==0.3.2
Utilisez le Python de l'environnement pour chaque commande. Jeu AUTOCKT_NGSPICE à votre ngspice exécutable s'il n'est pas sur PATH; l'exécution retenue utilisait ngspice 41, par rapport à la version 27 de l'auteur. AUTOCKT_RAY_TMP à un court chemin en écriture sur le disque de données de travail de sorte que les anciennes sockets Ray Unix correspondent à la limite de longueur du chemin OS. Gardez AUTOCKT_RUN_ROOT, Ray scratch, sorties de circuit natif et répertoires de journaux sur ce disque.
Exécutez le circuit et le train#
export PYTHONPATH="$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 sonde de circuit initiale exécute la conception de réinitialisation de l'auteur et une action de maintien. Il vérifie la sortie native et la mesure répétée, pas d'optimisation réussie. Le harnais conserve le circuit natif, les réseaux AC/DC et les logs de solveur. Il conserve les observations de l'auteur, les actions, les fonctions de mesure et de récompense; il corrige les limites non valides de l'espace d'observation qui, autrement, rejettent les propres valeurs retournées de l'auteur. Les chemins de rayures et la capture de sortie changent également.
La formation suit la configuration du CPU à six ouvriers, à l'horizon 30 étapes, du lot de 1200 échantillons publics. Il enregistre les points de contrôle et les mesures d'apprentissage littérales après chaque itération et s'arrête au critère de récompense moyenne de l'auteur ou à la limite d'exécution/itération déclarée. Une course limitée qui n'a pas atteint ce critère doit rester incomplète.
Evaluation génère des cibles avec le générateur de l'auteur sous une graine séparée et vérifie que les vecteurs cibles ne chevauchent pas les 350 vecteurs d'entraînement groupés. Il maintient la règle du succès de l'auteur et signale en outre une stricte satisfaction des quatre contraintes. Le seuil de récompense de l'auteur permet un faible déficit global normalisé, de sorte que ces chiffres peuvent différer. Augmentation de la evaluation compter jusqu'à 1000 seulement après le pilote et enregistrer la commande modifiée.
Comparer le résultat#
Lire target-plan.json, la formation proprement dite latest.json, et le evaluation evaluation.json. Inspectez le nombre de réussites, l'intervalle binomial Wilson95 %, le nombre moyen d'actions réussies, les valeurs et les trajectoires contrainte par contrainte. Les proportions sur papier sont des observations de référence, et non un seuil de réussite à forcer en changeant les graines. Une politique de source publique recréée avec une architecture, un temps d'exécution, un budget de formation ou des semences différents est une adaptation ; Une exécution native réussie ne permet pas à elle seule de reproduire le tableau II. Un examen scientifique humain est en cours.
Vérification originale de la libération du simulateur#
Une version source isolée du fonctionnaire ngspice-27 étiquette (af7ab797c2b5548a99d9bcb4c7f74556aa4ac67e) a également géré le véritable circuit des auteurs. Les deux réseaux AC/DC et les quatre mesures de conception de réinitialisation correspondaient exactement au ngspice 41 aux paramètres vérifiés. Il s'agit d'un diagnostic de version limitée, et non d'une preuve d'égalité pour chaque état du circuit. L'ancienne interface batch renvoyait1 après avoir produit une sortie, sauf indication explicite quit a été ajouté à la section de contrôle générée; AUTOCKT_ADD_QUIT=1 rend ce changement opérationnel et laisse le modèle électrique inchangé.
Utilisation ngspice27-build.sh avec un préfixe de build-tools isolé existant si vous avez besoin de recréer ce simulateur. Aucun paquet système ou changement d'environnement global n'est requis par le harnais. Pour l'adaptation de la formation liée au papier présentée ici, la série de formation retenue a été utilisée. ngspice 41; le diagnostic27 ne change pas rétroactivement sa provenance.
Résultats de la campagne#
La politique limitée de 100 semences fraîches a complété 140 itérations de formation / 168000 étapes de l'environnement en 90,1 secondes. La récompense moyenne des épisodes était de -3.477377726472186. Le critère d'arrêt de la source n'a pas été respecté; cette formation reste incomplète.
Les derniers tests indépendants de 20 cibles étaient les suivants:
| Evaluation de semence | Succès de l'auteur | Succès strict | Intervalle Wilson95% pour la réussite de l'auteur |
|---|---|---|---|
| 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] |
L'article rapporte 963/1000 pour une autre politique historique/structure de formation. Ces dénombrements adaptés sont des comparaisons descriptives et n'établissent pas d'équivalence historique. Le point de contrôle 46 antérieur et la course interrompue demeurent des éléments de preuve distincts. Aucun test complet de 1000 cibles n'a été effectué parce que cette politique limitée n'a pas terminé la formation.


Un succès source-récompense a produit une marge de phase 58.4769° contre un minimum de 60°. Le métrique strict le rejette. Les intervalles de Wilson signalés décrivent l'échantillonnage cible pour cette politique unique nouvellement formée; ils ne quantifient pas l'incertitude dans le cadre de politiques indépendantes ou n'établissent pas l'équivalence avec l'article.
Télécharger les fichiers enregistrés#
- retrieve_source.py — l'état de santé ou la preuve.
- author_runtime.py — l'état de santé ou la preuve.
- circuit_probe.py — l'état de santé ou la preuve.
- train_policy.py — l'état de santé ou la preuve.
- evaluate_policy.py — l'état de santé ou la preuve.
- requirements-legacy.txt — l'état de santé ou la preuve.
- requirements-tested.txt — l'état de santé ou la preuve.
- conda-explicit-clean.txt — l'état de santé ou la preuve.
- target-plan.json — l'état de santé ou la preuve.
- capacitance-check.json — l'état de santé ou la preuve.
- ngspice-version-comparison.json — l'état de santé ou la preuve.
- source-hashes.json — l'état de santé ou la preuve.
- reset-dc.csv — sortie numérique.
- seed10001-evaluation.json — sortie numérique.
- reset-ac.csv — sortie numérique.
- seed10002-evaluation.json — sortie numérique.
- seed10002-episodes.csv — sortie numérique.
- learning-curve.csv — sortie numérique.
- seed10001-episodes.csv — sortie numérique.
- summary.json — sortie numérique.
- seed10000-evaluation.json — sortie numérique.
- seed10000-episodes.csv — sortie numérique.
- training-curve.png — sortie numérique.
- heldout-success.png — sortie numérique.
- plot_outputs.py — l'état de santé ou la preuve.
- plotting-requirements.txt — l'état de santé ou la preuve.
- ngspice-version-file-hashes.json — l'état de santé ou la preuve.
- guide.md — le conducteur ou l'enregistrement d'environnement ou de source portable.
- ngspice27-build.sh — le conducteur ou l'enregistrement d'environnement ou de source portable.
Enregistrement complet · Toutes les tentatives des candidats. Un examen scientifique humain est en cours.