FenixEdu™

Dissertação

Generative Artificial Intelligence for Analog Integrated Circuit Design Automation EVALUATED

Detalhes: Este relatório explora a automação do dimensionamento de circuitos integrados analógicos. Estudos existentes que utilizam Rede Neural, frequentemente enfrentam dificuldades devido à natureza mal colocada do problema, agravada pela limitação de dados de treino. Este trabalho apresenta uma nova abordagem, integrando modelos de difusão no framework de Redes Neurais para superar esses desafios. Especificamente, é utilizado o Modelos Probabilísticos de Difusão para Remoção de Ruído para resolver o problema inverso do dimensionamento, tirando partido das suas capacidades probabilísticas para gerar soluções que satisfaçam os requisitos de desempenho. Os resultados experimentais indicam que os nossos modelos dimensionaram com sucesso os dois circuitos testados, com um erro mediano médio de cerca de 6%. Para o menor circuito, em termos de variáveis de dimensionamento, todos os nossos modelos superaram o modelo do estado da arte, cujo erro foi 60% superior ao dos nossos modelos. No caso do maior circuito, a abordagem supervisionada teve um erro médio 70% superior ao do nosso modelo mais preciso. Além disso, ao aproveitar as capacidades generativas dos nossos modelos, conseguimos gerar pontos para alvos fáceis, com a maioria apresentando erros menores que 3%. Para os alvos mais desafiantes, obtivemos soluções com erros abaixo de 10%, enquanto as abordagens supervisionadas tiveram dificuldade em alcançar erros inferiores a 20%. Em resumo, esta dissertação demonstra o potencial dos modelos de difusão para a automação do dimensionamento de circuitos analógicos.
Keywords: Dimensionamento de Circuitos, Problema mal colocado, Redes Neurais, Circuitos Integrados Analógicos, Modelos de Difusão, Automação

Discussão: novembro 5, 2024, 17:0

Documentos da dissertação ainda não disponíveis publicamente