Beyond the Yield Barrier: Variational Importance Sampling Yield Analysis

OMSV（Optimal mean shift vector）基于重要性采样的方法长期以来一直是产业界在产量估计和优化中的标准。然而，大多数基于OMSV的方法都是启发式设计的，缺乏对其限制的严格理解。为此，我们提出了VIS，这是产量问题的第一个变分分析框架，可以对OMSV进行系统的改进。例如，VIS揭示了经典OMSV是次优的，而最优/真正的OMSV应始终保持在失效边界之外，这使得所有基于OMSV的方法都可以立即获得自由改进。使用VIS，我们展示了经典OMSV的逐步改进，包括在封闭形式中纳入完整协方差，调整不对称失效分布以及捕获多个失效区域，每个改进都有超过2倍的逐步改进。提出的方法继承了OMSV的简单性和鲁棒性，但比现有技术（SOTA）方法快29.03倍。我们还展示了如何立即从我们的True OMSV中获益的SOTA产量优化方法ASAIS，在没有额外计算开销的情况下，分别提高了1.20倍和1.27倍的性能和效率。

本论文旨在解决产量估计和优化中常用的基于OMSV的重要性采样方法存在的问题，提出了VIS框架，通过系统的变分分析对OMSV进行优化。

论文提出了VIS框架，通过变分分析对OMSV进行优化，包括对称和非对称失效分布的调整，多个失效区域的捕捉，以及在闭合形式中考虑完整协方差等方面的改进。

通过VIS框架的优化，OMSV-based方法的性能得到了显著提升，最高可达到29.03倍的加速比。此外，论文还展示了如何将优化后的OMSV应用于ASAIS优化方法中，提高了性能和效率，而不需要额外的计算开销。

在相关研究方面，最近的一些研究包括：基于深度学习的产量优化方法、基于高斯过程的产量估计方法等。