(EN) EDA tool trains a machine-learning optimization tool using quantized optimization solution (training) data generated by conventional optimization tools. Each training data entry includes an input vector and associated output vector that have quantized component values respectively determined by associated operating characteristics of initial (non-optimal) and corresponding replacement (optimized) circuit portions, where each initial circuit portion is identified and replaced by corresponding replacement circuit portion during optimization of associated target IC design. Stored training data entries are used by the machine-learning optimization tool to generate efficient (e.g., piecewise-linear) prediction function. During optimization of later IC designs, an input vector is generated for each selected initial circuit portion, a predicted output vector is generated for the input vector using the prediction function, and then the predicted output vector is used to identify a replacement circuit portion for the corresponding selected initial circuit portion using best-fit methodologies.
(FR) Selon la présente invention, l'outil EDA entraîne un outil d'optimisation d'apprentissage machine à l'aide de données de solution d'optimisation quantifiées (apprentissage) générées par des outils d'optimisation classiques. Chaque entrée de données d'apprentissage comprend un vecteur d'entrée et un vecteur de sortie associé dont des valeurs de composante quantifiées sont respectivement déterminées par des caractéristiques de fonctionnement associées à des portions de circuit initiales (non optimales) et de remplacement (optimisées) correspondantes, chaque portion de circuit initiale étant identifiée et remplacée par une portion de circuit de remplacement correspondante durant l'optimisation du modèle de CI cible associé. Des entrées de données d'apprentissage stockées sont utilisées par l'outil d'optimisation d'apprentissage machine afin de générer une fonction de prédiction efficace (par exemple, linéaire par morceaux). Durant l'optimisation de modèles de CI ultérieurs, un vecteur d'entrée est généré pour chaque portion de circuit initiale sélectionnée, un vecteur de sortie prédit est généré pour le vecteur d'entrée à l'aide de la fonction de prédiction, puis le vecteur de sortie prédit est utilisé pour identifier une portion de circuit de remplacement pour la portion de circuit initiale sélectionnée correspondante à l'aide de méthodologies d'ajustement optimal.