LOADBench：面向集成电路设计中机器学习的大型开放模拟电路数据集与基准

模拟集成电路设计中的机器学习（ML）受到开放数据有限和缺乏标准化评估的制约：不同论文报告的结果通常基于专门构建且往往不公开的数据集，并采用临时制定的指标，因此难以可靠地比较不同方法。我们通过一个大型开源数据集和一套标准化基准来弥补这两方面的不足。该数据集包含基于 SkyWater130 PDK 的 100 多种运算放大器（opamp）拓扑（单级、两级和三级），每种拓扑均配有结构与功能标注、拓扑特定的尺寸约束（对称性与尺寸规则）、Ngspice 测试平台，以及一次多目标 NSGA-II 尺寸优化运行；该运行针对每种拓扑生成约 103 个帕累托最优尺寸配置—性能配对和 106 个中间尺寸配置—性能配对。在这些数据的基础上，我们定义了六项具有明确评测规程的基准任务：逆向尺寸设计、拓扑选择、子电路分类、电路结构生成、帕累托集归属预测和多目标优化。因此，本文提供的数据构成了模拟集成电路设计自动化四十余年发展历程中，用于机器学习开发的最全面的数据集。该数据集、真值标注及指标定义例程的参考实现均以开放许可证发布，使不同类型的模拟电路设计自动化方法能够接受可复现且可直接比较的评估。