Dissertação
Neural Networks for System Macromodeling: Leveraging Reservoir Computing and Continuous-Time Models EVALUATED
A crescente complexidade e custos dos circuitos eletrónicos modernos intensificou a necessidade de técnicas de modelação precisas e eficientes para verificar funcionalidades antes da fabricação. Os métodos tradicionais de simulação, embora precisos, são frequentemente limitados por elevado overhead computacional, especialmente em circuitos não lineares complexos representados por descrições detalhadas de componentes. Embora importantes para verificar o comportamento individual dos componentes, tais detalhes podem sobrecarregar a verificação do sistema, prejudicando a velocidade de simulação. Este cenário impulsionou a procura de abordagens alternativas que equilibrem velocidade e precisão. As redes neuronais surgiram como uma solução promissora, usadas como “caixas negras” para macromodelação de circuitos, desde redes feed-forward simples a estruturas recorrentes. A capacidade de aprender a partir de dados, dispensando conhecimento físico detalhado, torna-as ideais para sistemas dinâmicos complexos. Neste contexto, esta tese explora a eficácia de aprendizagem profunda na modelação de circuitos eletrónicos não lineares, focando-se na eficiência de inferência e desenvolvimento de modelos. O estudo revela que métodos de Reservoir Computing permitem treinos mais rápidos e com menor custo computacional do que Redes Neuronais Recorrentes tradicionais, embora exijam afinação extensiva de hiperparâmetros e reservatórios maiores para resultados ótimos. Modelos de tempo contínuo, por outro lado, mostram alta eficiência na inferência, lidando com sequências temporais não uniformes, explorando a esparsidade temporal, tipica em sistemas dinâmicos, aumentando a precisão e reduzindo problemas de gradientes. Esta pesquisa oferece novos insights sobre as vantagens e limitações de machine learning na modelação de circuitos eletrónicos, promovendo um Design Assistido por Computador mais eficiente e preciso.
novembro 26, 2024, 14:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Luís Miguel Teixeira D'Avila Pinto da Silveira
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Catedrático
