AI-assisterad kretsdesign med aktiv inlärning

Syfte och mål

Projektet kommer undersöka nyttan med "aktiv inlärning" för ML-modeller som används för syntetisering av elektriska kretsar. Modellerna tränas med data framtagen via elektromagnetiska fält-simuleringar av ett stort antal kretsstrukturer. Tidigare har dessa strukturer valts nästan helt slumpmässigt, men mängden träningsdata som krävs för en given ML-modellprestanda bör kunna reduceras drastiskt genom smart pre-selektion av kandidatstrukturer, och det är där aktiv inlärning kommer in.

Förväntade effekter och resultat

Vi förväntar oss att aktiv inlärning resulterar i en signifikant reducering av mängden träningsdata som krävs för en given ML-modellprestanda. Resultaten kommer presenteras i form av en rapport och en presentation, och om de blir så bra som vi hoppas kommer de effektivisera en rad ML-aktiviteter på Ericsson.

Planerat upplägg och genomförande

Vi börjar med att undersöka olika strategier och implementationer för aktiv inlärning. Därefter kommer vi välja ut den bästa och jämföra med nuvarande metod för datagenerering. Mycket av jobbet i början av exjobbet handlar om att ta fram en speciell sorts ML-modell som krävs för att göra smart pre-selektion av ny träningsdata. Därefter kommer den bästa modellstrukturen användas i en loop för aktiv inlärning där datasetet utökas stegvis genom EM-simuleringar.