Dissertação

{en_GB=Using Artificial Neural Networks to Size Analog Integrated Circuits} {} EVALUATED

{pt=O trabalho desenvolvido no âmbito desta dissertação enquadra-se na área científica de automação de projectos electrónicos e aborda o dimensionamento automático de circuitos integrados analógicos. Em particular, desenvolveu-se uma abordagem inovadora para automatizar o dimensionamento de circuitos usando deep learning e redes neuronais artificiais para aprender os padrões de dimensionamento de soluções previamente optimizadas. Em oposição a estratégias de dimensionamento clássicas baseadas em optimização, as redes neuronais artificiais mostram-se capazes resolver o dimensionamento de circuitos analógicos integrados através de um mapeamento directo entre especificações e dimensões de aparelhos. Duas arquitecturas de redes neuronais artificiais são propostas: um modelo de Regressão e um modelo de Classificação e Regressão. O objectivo do modelo de Regressão é aprender os padrões de dimensionamento de circuitos estudados, usando as performances desses circuitos como features de entrada e as suas dimensões como targets à saída. Este modelo consegue dimensionar circuitos dadas as especificações para uma única topologia. O modelo de Classificação e Regressão tem as mesmas capacidades que o modelo anterior, mas consegue adicionalmente seleccionar a topologia mais apropriada e as respectivas dimensões para uma dada especificação. A metodologia proposta foi implementada e testada em duas topologias de circuitos analógicos distintas. Os resultados obtidos mostram que as redes neuronais artificiais treinadas foram capazes de estender as performances de circuitos para lá do conjunto de dados de treino/ validação, demonstrando que, mais do que um mapeamento a partir do conjunto de dados de treino, o modelo é na verdade capaz de aprender padrões de dimensionamento reutilizáveis., en=The work presented in this dissertation belongs to the scientific area of electronic design automation and addresses the automatic sizing of analog integrated circuits. Particularly, this work explores an innovative approach to automatic circuit sizing using deep learning and artificial neural networks to learn patterns from previously optimized design solutions. In opposition to classical optimization-based sizing strategies, where computational intelligent techniques are used to iterate over the map from devices’ sizes to circuits’ performances provided by design equations or circuit simulations, artificial neural networks are shown to be capable of solving analog integrated circuit sizing as a direct map from specifications to the devices’ sizes. Two separate artificial neural network architectures are proposed: a Regression-only model and a Classification and Regression model. The goal of the Regression-only model is to learn design patterns from the studied circuits, using circuit’s performances as input features and devices’ sizes as target outputs. This model can size a circuit given its specifications for a single topology. The Classification and Regression model has the same capabilities of the previous model, but it can also select the most appropriate circuit topology and its respective sizing given the target specification. The proposed methodology was implemented and tested on two analog circuit topologies. The achieved results show that the trained artificial neural networks were able to extend the circuit performance boundaries outside the train/ validation set, showing that, more than a mapping from the training data, the model is actually capable of learning reusable design patterns.}
{pt=Circuitos Integrados Analógicos, Automação de Projecto Electrónico, Deep Learning, Redes Neuronais, en=Analog Integrated Circuits Design, Electronic Design Automation, Deep Learning, Artificial Neural Networks}

Junho 21, 2018, 9:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Ricardo Miguel Ferreira Martins

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Colaborador Docente

ORIENTADOR

Nuno Calado Correia Lourenço

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Colaborador Docente