Optimization Strategies for Locating Extrema in a 5G Cellular Transceiver Model

Abstract

Die zunehmende Komplexität im Design von integrierten Schaltkreisen erfordert innovative Methoden im Systems Engineering. Modellierung und Simulation sind entscheidend für die frühzeitige Identifikation von Architekturfehlern. Diese Arbeit formuliert die Identifikation solcher Fehler als Optimierungsproblem, da es im Kern darum geht, Extrema in einem Simulationsmodell zu finden. Insbesondere wird das Problem auf das Optimierungsproblem von teuren Black-Box Funktionen reduziert, da die Evaluierung der Zielfunktion, welche einem Simulationsdurchlauf entspricht, zeitaufwändig ist und keine mathematische Formulierung des Modells vorliegt. Optimierungstechniken aus verschiedenen Forschungsbereichen werden untersucht, wobei sich Partikelschwarm-Optimierung, evolutionäre Algorithmen und mehrere Varianten der bayesschen Optimierung aus dem Bereich des maschinellen Lernens als am Vielversprechendsten erweisen. Vier Algorithmen werden implementiert und sowohl auf künstlichen Benchmark-Funktionen als auch auf einem ereignisbasierten Simulationsmodell eines 5G-Mobilfunktrasnceivers evaluiert. Zusätzlich wird ein Parallelisierungsumgebung vorgestellt, um die Ausführung der Algorithmen auf parallelen Rechenressourcen zu ermöglichen. Die Ergebnisse zeigen, dass drei der vier implementierten Algorithmen das Optimierungsproblem effektiv lösen. Algorithmen basierend auf maschinellem Lernen weisen eine schnelle Konvergenz auf, während popula- tionsbasierte Algorithmen hohe Zuverlässigkeit zeigen. Das Parallelisierungsumgebung erweist sich als ein wesentlicher Bestandteil zur Erreichung kurzer Konvergenzzeiten. Sie ermöglicht einen annährend linearen Speed-up auf bis zu 100 CPUs und bietet großes Potenzial für weitere Skalierbarkeit.

The increasing complexity in integrated circuit (IC) design necessitates innovative methods in systems engineering. Modeling and simulation are crucial for early identification of architectural flaws. This thesis formulates this flaw identification as an optimization problem, as it refers to locating extrema in a simulation model. Specifically, the problem is reduced to the expensive black-box optimization problem, due to the time-consuming nature of objective function evaluations corresponding to simulation runs and the lack of a mathematical model. Optimization techniques from various research fields are investigated, with Particle Swarm Optimization, Evolutionary Algorithms, and several Bayesian Optimization methods from the field of machine learning identified as the most promisingones. Four algorithms are implemented and evaluated on both artificial benchmarkfunctions and an event-based simulation model of a 5G cellular transceiver. Additionally, a parallelization framework is introduced to enable execution of the algorithms on parallel computing resources. Results indicate that three out of the four implemented algorithms effectively solve the optimization problem. Machine learning-based algorithms exhibit fast convergence, while population-based algorithms demonstrate high reliability. The parallelization framework proves to be a vital part for achieving reasonable convergence times. It achieves near-linear speed-up on up to 100 CPUs, with huge potential for further scalability.