Breaking the Tuning Barrier: Zero-Hyperparameters Yield Multi-Corner Analysis Via Learned Priors¶
会议: CVPR 2026
arXiv: 2603.13092
代码: 待确认
领域: 电路仿真 / EDA / 良率分析
关键词: 良率分析, 多角仿真, 零超参数, TabPFN, 主动学习
一句话总结¶
用TabPFN（在百万回归任务上预训练的基础模型）替代传统手工先验，实现零超参数的SRAM多角良率分析，通过注意力机制自动进行跨角知识迁移，配合自动特征选择（1152D到48D）和不确定性引导的主动学习，达到SOTA精度（MRE低至0.11%）同时降低10倍以上验证成本。
背景与动机¶
集成电路良率多角分析（YMCA）需验证电路在25+个工艺-电压-温度（PVT）角下的性能，朴素蒙特卡洛需O(K*N)次SPICE仿真（K>25, N>10000），代价巨大。现有方法面临根本矛盾——调参壁垒：简单模型（高斯IS）可全自动但无法捕捉非线性失效边界（模型容量壁垒）；高级AI模型（GP/深度核/归一化流）精度高但每个设计迭代需数小时超参调优。作者量化了这种不稳定性：SOTA方法在正负20%超参扰动下，误差从19%波动到111%，仿真量从42k到245k。
核心问题¶
如何同时突破模型容量壁垒（需要表达力）和调参壁垒（需要自动化），实现无需任何超参数调优的高精度多角良率估计？
方法详解¶
整体框架¶
三阶段流水线：(1) 自动特征选择——GBDT排序+贪婪前向选择，将1152D压缩到约48D；(2) 全局代理建模——TabPFN通过in-context learning建立联合所有角的代理模型；(3) 不确定性引导的主动学习——用获取函数集中采样决策边界附近的高不确定点。全程零超参数。
关键设计¶
- 从工程先验到学习先验: 传统GP需最大化边际似然优化O(D)个核长度参数（调参壁垒源头）。TabPFN通过元学习目标在百万合成回归任务上预训练，推理时仅需单次前向传播——零梯度下降、零重训。其注意力机制等价于一个数据依赖的非线性核，固定参数后通过注意力权重自动适配新电路。
- 跨角知识迁移: 将稀疏工艺参数x和角编码c拼接为统一输入z=[x;c]，建立全局代理f(x,c)。注意力权重自动上调相关角的样本权重、下调不相关角的权重，实现有效样本量n_eff > n_k（角k自身样本数），大幅提升稀疏采样角的预测精度。
- 可扩展特征选择: 用LightGBM默认配置训练GBDT（零调参），获取特征重要性排序。然后贪婪前向搜索：按重要性排序分批加入特征，通过验证集R^2选择最优子集。对32x2 SRAM将1152D压缩到约48D，全程无需手动决策。
损失函数 / 训练策略¶
TabPFN在预训练阶段用负对数似然训练，推理时无需训练。获取函数联合考虑不确定性和距规格边界的距离。多角优化取各角的max，配合空间多样性惩罚实现批量并行采样。
实验关键数据¶
| 电路 | 维度 | 方法 | 平均MRE(%) | 仿真量 |
|---|---|---|---|---|
| 4x2 SRAM | 144D | Proposed | 0.11 | 1000 |
| 4x2 SRAM | 144D | BI-BD | 0.15 | 1000 |
| 8x2 SRAM | 288D | Proposed | 0.22 | 1000 |
| 8x2 SRAM | 288D | OPT | 20.41 | 1000 |
| 16x2 SRAM | 576D | Proposed | 8.69 | 2500 |
| 32x2 SRAM | 1152D | Proposed | 1.10 | 2500 |
- 单角分析（8x2 FF角）：MRE 8.88%，仅170次仿真实现24.1x加速（vs 4100次MC基线）
- 超参敏感性对比：SOTA方法在正负20%扰动下误差波动19-111%，Proposed完全无超参
- 代理模型对比：TabPFN在<1000样本区间MAE约5%，GP/MLP/SVM需30-45%
消融实验要点¶
- 跨角知识迁移消融（16x2 SRAM）：TT角MRE从21.79%（仅自身50样本）降至6.04%（加入所有角共250样本），降幅72%
- SF角从100%降至42.86%（-57%），FS从2.21%降至0.71%（-68%）
- 验证了注意力机制确实学到了有意义的跨角相关性
亮点¶
- 第一次用元学习/基础模型思路解决EDA良率分析中的调参壁垒，概念转移既自然又有效
- 跨角知识迁移的消融实验非常有说服力：相同总样本量下，多角联合建模大幅优于独立建模
- 完整端到端流水线（特征选择->代理->主动学习）全程零超参，对工业部署友好
- 在实际SRAM宏（含外围电路二阶效应）而非理想化bitcell上验证，更贴近工业实际
局限性 / 可改进方向¶
- TabPFN当前受限于500特征上限，需要特征选择预处理；作者指出这是实现限制而非算法限制
- 仅在SRAM良率分析上验证，其他电路类型（模拟、RF）未涉及
- 非CV领域论文（EDA），与视觉研究关联较弱
- 特征选择中GBDT的默认配置虽称零调参，但对不同应用场景的泛化性未充分验证
与相关工作的对比¶
- vs OPT（ICCAD'23）：OPT有10个超参数，在8x2上MRE 1.61% vs Proposed 0.23%，但OPT的超参敏感性使其在工业中不可靠
- vs BI-BD/BI-BC（跨角二值方法）：仅建模Pass/Fail二值结果，丢失连续性能信息；在高维电路上失效
- vs MNIS（业界标准IS）：高斯假设无法捕捉非线性失效区域，在非理想SRAM上仅1.2-1.5x加速
启发与关联¶
- 元学习基础模型替代手工先验的思路可推广到其他需要大量调参的仿真加速领域
- In-context learning用于科学计算是一个有前景的方向
评分¶
- 新颖性: ⭐⭐⭐⭐ 将TabPFN引入EDA良率分析，跨角知识迁移设计巧妙
- 实验充分度: ⭐⭐⭐⭐ 多尺度SRAM+多种基线+超参敏感性分析+跨角消融
- 写作质量: ⭐⭐⭐⭐ 问题动机清晰（调参壁垒），理论与实验紧密结合
- 价值: ⭐⭐⭐ 对EDA领域有高实用价值，但与CV社区关联有限