Ottimizzazione della potenza guidata dall’IA e attenta ai vincoli temporali

Abstract degli autori

Il recupero di potenza dopo l’instradamento modifica la scelta delle celle nel rispetto di vincoli temporali, elettrici e fisici strettamente interdipendenti; il valore di ogni modifica dipende dal costo necessario per ripararne gli effetti collaterali. Proponiamo un framework guidato dall’IA in cui un modello addestrato orienta entrambe le fasi dell’ottimizzazione: stabilisce quali modifiche per il recupero di potenza tentare e quali interventi di riparazione eseguire in seguito, mentre analisi deterministiche di automazione della progettazione elettronica (EDA) determinano l’accettazione di ogni intervento. Il framework registra i margini iniziali rispetto ai vincoli, individua in ciascuna prospettiva di analisi i danni introdotti da una transazione di recupero, mantiene le violazioni preesistenti al loro livello iniziale anziché affrontarle nella fase di ottimizzazione della potenza e limita la spesa per le riparazioni a una frazione del risparmio misurato. Un ensemble di modelli gradient-boosted prevede la variazione di potenza, la riduzione normalizzata dei danni e il rischio di peggioramento rispetto ai vincoli a partire dalle caratteristiche dell’intervento e del contesto temporale disponibili prima di ogni tentativo; stime calibrate e prudenziali alimentano punteggi di acquisizione distinti per il recupero e la riparazione, con un’alternativa deterministica quando il modello è incerto. Il recupero e la riparazione restano provvisori finché l’implementazione fisica e nuove analisi non confermano il mantenimento delle condizioni iniziali e un risparmio netto positivo. Specifichiamo le condizioni da rispettare, la strategia appresa, il flusso delle transazioni e un protocollo pubblico di valutazione preregistrato su progetti aperti. I risultati di uno studio complementare su progetti pubblici sostengono le condizioni da rispettare; la strategia appresa è una proposta e non vengono riportati né risultati ottenuti con modelli addestrati né misurazioni su progetti proprietari.