En este trabajo, se propone un método de aprendizaje de representaciones profundas para construir representaciones de valores continuos de dispositivos de circuitos integrados (IC) individuales. Estas representaciones se utilizan para convertir problemas de dimensionamiento de circuitos analógicos de variables mixtas en continuos y aplicar una variante de optimización bayesiana de caja negra de bajo presupuesto para resolverlos. Al transformar los espacios de búsqueda iniciales en espacios de valores continuos, los modelos de proceso Gaussiano (GPs) de la optimización bayesiana, que típicamente operan en espacios de valores reales, pueden ser utilizados para guiar la búsqueda de optimización hacia el óptimo global. El enfoque propuesto de Aprendizaje de Representación de Dispositivos implica el uso de datos de simulación de dispositivos y el entrenamiento de un modelo compuesto de un Autoencoder Variacional (VAE) y una Red Neuronal densa. Las variables latentes del modelo VAE entrenado sirven como representaciones del dispositivo integrado y reemplazan las parametrizaciones de valores discretos de dispositivos particulares. Se proporciona una explicación detallada de la formulación matemática de la metodología propuesta y aplicaciones de dimensionamiento de ejemplos en circuitos analógicos y dispositivos integrados del mundo real subrayan su eficiencia.