FenixEdu™

Dissertação

Deep Neural Networks for Behavioral Modeling of Analog ICs EVALUATED

Detalhes: Este trabalho tem como principal objetivo a modelação de circuitos analógicos. Para atingir o objetivo proposto recorre-se às redes neuronais artificiais, com o intuito de criar um modelo comportamental do circuito que seja rápido de simular. Uma vez que são gerados dados de entrada e saída através da simulação do circuito, o treino desta abordagem será supervisionado. Neste trabalho é proposto o conceito de estrutura nos dados levando a uma aprendizagem da rede neuronal mais eficiente e mais generalizada para diferentes dimensões dos circuitos. Os resultados foram obtidos usando um conjunto de dados obtido através da simulação de um amplificador OTA. Tais dados são usados para treinar um modelo “Long Shot Term Memory” (LSTM) e um modelo MLP com linhas de atraso, de modo que estes modelos simulem o comportamento do circuito para diferentes dimensioes. De modo a ser integrado em circuitos mais complexos, o MLP é convertido para a linguagem de hardware, o Verilog-A. Para esse propósito um gerador de código Verilog-A é implementado em Python de modo a facilitar a conversão de redes neuronais de Python para Verilog-A. Este script é um avanço nesta área de investigação permitindo futuros desenvolvimentos. Relativamente aos modelos em Python a LSTM levou cerca de 60 minutos para treinar, já o MLP levou cerca de 30 minutos. Ambos os modelos obtiveram um erro quadrático médio de 10−7. O MLP em Verilog-A permite acelerar 5 vezes a simulação em transiente, permitindo uma redução do tempo de otimização.
Keywords: Automatização de Projetos Eletrónicos, Aprendizagem Supervisionada, Circuitos Analógicos, Modelação, Redes Neuronais Artificiais.

Discussão: novembro 22, 2022, 11:0