Dissertação
{en_GB=Accelerating Voltage-Controlled Oscillator Sizing Optimizations with a Convergence Classifier & Frequency Guess Predictor} {} EVALUATED
{pt=O trabalho apresentado neste relatório pertence ao ramo científico da automação de projeto eletrónico, com foco especial na automação do dimensionamento de circuitos integrados de radiofrequência. Com a ajuda de técnicas de aprendizagem profunda, e mais especificamente, redes neuronais artificiais, é apresentada e discutida uma nova abordagem. A abordagem proposta neste trabalho é baseada num processo de aprendizagem supervisionada, utilizando redes neuronais artificiais tanto para classificação como para regressão. Um classificador de convergência será usado para prever se um certo dimensionamento é provável que convirja durante a simulação, e uma rede de regressão estima a frequência para o qual esse dimensionamento deverá oscilar. Este método será implementado e testado numa ferramenta de otimização de osciladores controlados por tensão, analisando soluções anteriores cujas performances foram obtidas no simulador. Espera-se que estas redes filtrem e descartem soluções não viáveis, tendo um impacto significativo na redução do tempo total do ciclo de otimização. O resultado é um modelo capaz de prever soluções não viáveis, resultando em reduções de cerca de 20% no tempo global de simulação. Adicionalmente, o uso deste modelo não compromete os resultados, sendo os obtidos muito semelhantes aos obtidos sem a sua utilização, atingindo melhores resultados em alguns casos. O modelo também demonstra viabilidade para diferentes especificações de otimização, bem como para a sua aplicação em outros osciladores controlados por tensão. Os ganhos são semelhantes, sendo que o modelo consegue economizar 10% e 17%, respetivamente, e os resultados muito promissores. Resultando assim, num modelo com um forte nível de generalização., en=The work presented in this thesis belongs to the scientific field of electronic design automation, with a special focus on the automatic sizing of radio-frequency integrated circuit blocks. With the help of deep learning and, more specifically, artificial neural networks, a new approach is introduced and discussed. The approach proposed in this work is based on a supervised learning scenario using artificial neural networks both for classification and regression. A convergence classifier will be used to predict if a certain simulation is likely to converge or not, and a frequency guess predictor to predict the oscillating frequency. This method will be implemented and tested on voltage-controlled oscillators’ optimizations, by learning from a dataset of previous performances obtained by the simulator. It is expected that these networks filter and discard solutions with no valuable information for the optimization loop, and thus, greatly reducing the overall time of the optimization process. The result is a model that can predict non desired solutions, resulting in gains of almost 20% in overall simulation time. Additionally, the use of this model does not compromise the results, as the ones obtained are very similar to the ones obtained without its use, and even better in some cases. The model demonstrates to be feasible for different optimization specifications, as well as for other examples of Voltage-Controlled Oscillators. The gains are similar, as the model is able to save 10% and 17%, respectively, and the results very promising, resulting in a model with a strong level of generalization. }
novembro 17, 2021, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado
