Dissertação
Deep Reinforcement Learning applied to Analog Integrated Circuit Sizing EVALUATED
Este trabalho de tese de mestrado está inserido na área de Automatização de Projetos Eletrónicos. Esta é uma vasta área que cobre diversos temas de extrema importância para as atuais e futuras gerações da sociedade. Neste trabalho foca-se na área de dimensionamento automático de circuitos integrados e como o processo pode ser otimizado e melhorado. Com esse objetivo, uma nova abordagem é introduzida. Esta abordagem inovadora tem como base técnicas de Aprendizagem Profunda, Redes Neuronais e Aprendizagem Reforçada. O principal foco deste trabalho consiste em aplicar Aprendizagem Automática, assim como técnicas de Aprendizagem Profunda, ao dimensionamento de circuitos integrados analógicos. Em particular, é destacado o algoritmo Advantage Actor-Critic, um método que pode ser aplicado ao dimensionamento de circuitos integrados analógicos. Recorrendo a ferramentas do software AIDA, o agente proposto tem como objetivo melhorar o funcionamento do AIDA usando uma solução alternativa de aprendizagem reforçada para o dimensionamento de circuitos integrados analógicos. O modelo foi aplicado a duas topologias diferentes de circuitos, sendo elas um VCOTA e um FCA. Para ambas as topologias o agente foi capaz de dimensionar com sucesso os componentes rapidamente e eficientemente de modo a cumprir uma série de especificações definidas previamente que condicionam a sua performance.
novembro 23, 2022, 11:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado