初始化效应：优化贝叶斯优化在电路设计中的应用

《IEEE Transactions on Circuits and Systems for Artificial Intelligence》：The Initialization Effect: Refining Bayesian Optimization for Circuit Design

贝叶斯优化（BO）作为高效样本优化的关键技术，在模拟电路设计中展现出显著优势。本研究针对传统BO初始化方法存在的效率低下问题，通过对比拉丁超立方采样（LHS）、K中心贪心算法与随机初始化策略，发现LHS和K中心算法能以16个样本量实现最优设计，并缩短收敛时间。实验表明初始化策略直接影响探索-利用平衡，影响最终设计质量和计算成本。

　　

摘要：

贝叶斯优化（BO）作为一种高效且节省样本量的技术，已被广泛应用于模拟电路的设计优化中。该框架利用概率模型来高效探索设计空间，从而能够快速找到满足特定性能目标的最优设计方案。传统上，BO框架的初始化通常使用预定义的样本或随机生成的样本，这导致无法充分利用数据中隐藏的潜在信息，进而导致优化结果不佳且收敛时间较长。本文深入探讨了初始化在模拟电路设计中的重要性，研究了其对优化过程效率和效果的影响。研究表明，仅使用16个数据点，该模型就能获得最优的设计结果，这凸显了在复杂设计任务中数据高效学习的可能性。通过实证分析和实验，我们研究了多种初始化策略及其对优化性能的影响，考虑了收敛速度、解决方案质量等因素。实验结果表明，拉丁超立方采样（LHS）和K中心贪心算法等初始化策略相较于K均值和随机初始化方法具有更快的收敛速度。本研究展示了有效的初始化策略如何通过减少迭代次数和样本量来降低数据收集的需求，从而优化设计结果。此外，我们还阐明了不同初始化方法对优化过程的影响机制，揭示了初始化、探索与利用在模拟电路设计优化中的相互作用。我们的发现强调了精心设计的初始化策略在充分发挥BO潜力方面的关键作用，为模拟电路设计提供了宝贵的参考...

显示更多