MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017164482
■00520250211153008
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384044420
■035    ▼a(MiAaPQ)AAI31631416
■035    ▼a(MiAaPQ)umichrackham005653
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aFayazi,  Morteza.
■24510▼aMachine  Learning  Meets  Analog  Circuit  Design:  Intelligent  Automation  of  IC  Design.
■260    ▼a[S.l.]▼bUniversity  of  Michigan.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a180  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Afshari,  Ehsan;Dreslinski,  Ronald  G.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aCustom  Analog  and  Mixed-Signal  (AMS)  circuits  have  broad  applications  in  wireless  communication,  biosensors,  etc.  Traditionally,  the  design  parameters  of  AMS  circuits  e.g.  transistor  size  and  biasing  are  calculated  manually  by  designers.  However,  the  complexity  of  physical  models  and  severe  process  variations  with  downscaling  of  technology  node  for  large  AMS  circuits  leads  to  inefficiency  and  hardship  of  robust  manual  design  especially  in  corner  extraction.  Moreover,  generating  post-layout  simulation  is  very  time-consuming.  Therefore  because  of  the  growing  demand  of  high  performance,  low  power  and  time-to-market  Integrated  Circuits  (ICs),  there  is  a  crucial  need  of  autonomous  AMS  circuit  design.  This  would  catch  up  with  the  digital  circuit  designs,  which  have  been  automated  for  a  long  time.Automating  AMS  circuit  design  procedure  has  always  been  challenging  as  it  tightly  ties  to  human  expertise  and  intuition  to  make  a  relationship  between  various  parameters  and  performances.  Given  the  main  circuit  topology,  in  order  to  satisfy  the  desired  specifications,  the  circuit  parameters  should  be  chosen  optimally.  So,  this  circuit  optimization  problem,  i.e.  determining  the  circuit  parameter  values  to  meet  the  required  specifications,  can  be  solved  using  mathematical  optimization  methods.  As  a  result,  a  Computer-Aided  Design  (CAD)  tool  would  be  able  to  automate  this  circuit  sizing  optimization  procedure  leveraging  techniques  such  as  gradient-based,  convex  optimization,  and  evolutionary  algorithms.Recently,  Machine  Learning  (ML)  has  shown  promising  results  in  different  areas  from  image  categorization  to  speech  recognition.  ML  algorithms  are  suitable  for  yield  estimation  and  making  high-order  models  which  can  be  used  instead  of  complex  physical models  with  a  less  computational  cost  for  AMS  circuit  design.  Furthermore,  ML  can  be  leveraged  to  replace  lengthy  and  costly  measurements  by  a  set  of  simpler  measurements  to  ease  the  AMS  production  test.  The  main  ML  challenge  to  have  an  accurate  model  is  providing  robust  and  enough  simulation  data  for  training  sets  due  to  essential  high-dimensional  variation  space  to  model  the  process  variation  and  costly  simulation  in  a  growing  AMS  system  size.  Also,  providing  Intellectual  Properties  (IPs)  from  different  IC  companies  is  another  barrier  of  dataset  collection.  Automatically  optimized  AMS  circuit  sizing  is  another  application  of  ML.  In  such  approaches,  Electronic  Design  Automation  (EDA)  tools  try  combinations  of  design  variables  to  find  a  sizing  that  meets  the  desired  specifications  instead  of  the  traditional  circuit  sizing  approach  i.e.  going  from  the  target  specification  to  the  corresponding  device  sizes.  After  automation  of  each  AMS  block  sizing,  automation  of  whole  System  on  Chip  (SoC)  is  doable  with  integrating  these  pieces.This  thesis  proposes  a  series  of  works  that  uncover  unique  methods  for  automating  the  design  of  AMS  circuits.  First,  we  propose  a  fully  automated  Single-Board  Computer  (SBC)  generator  tool,  FASCINET.  FASCINET  uses  a  Neural  Network  (NN)  model  to  design  customized  peripheral  circuits  for  SBCs.  The  tool  creates  a  large  Commercial  Off-the-Shelf  Database  (COTS  DB)  of  existing  components,  efficiently  searches  through  them,  and  selects  optimal  components  for  both  main  and  peripheral  components  based  on  the  user's  requirements.  Creating  such  a  broad  COTS  DB  requires  processing  abundant  datasheets.  In  order  to  automate  this  process,  we  describe  a  novel  NN-based  approach  for  automatically  categorizing  datasheets  and  propose  an  extraction  technique  for  parsing  relevant  functional  information.  Our  evaluations  show  that  FASCINET  is  able  to  design  SBCs  that  are  identical  to  the  manually-designed  ones  except  for  minor  differences.  Second,  we  go  over  our  table  extraction  tool,  Tablext,  which  can  be  used  on  datasheets  or  any  other  documents.Third,  we  present  AnGeL,  a  fully-automated  analog  circuit  generator  framework. AnGeL  performs  all  the  schematic  circuit  design  steps  from  deciding  the  circuit  topology  to  determining  the  circuit  parameters  i.e.  sizing.  Furthermore,  we  present  a  method  to  reduce  the  size  of  AnGeL's  database.  For  this  purpose,  we  use  NNs  to  determine  the  behavior  of  complicated  circuit  topologies  by  combining  the  more  simple  ones.  By  generating  such  unlabeled  data,  the  time  for  providing  the  training  set  is  significantly  reduced  compared  to  the  conventional  approaches.  Our  results  show  that  for  multiple  circuit  topologies,  in  comparison  to  the  state-of-the-art  works  while  maintaining  the  same  accuracy,  the  required  labeled  data  is  reduced  by  4.7x  -  1090x.  Also,  the  runtime  of  AnGeL  is  2.9x  -  75x  faster.  Fourth,  we  propose  FuNToM,  a  functional  modeling  method  for  Radio  Frequency  (RF)  circuits.  FuNToM  leverages  the  two-port  analysis  method  along  with  NNs  for  modeling  multiple  topologies  using  a  single  main  dataset  and  multiple  small  datasets.  This  significantly  reduces  the  required  number  of  training  data.  Our  results  show  that  for  multiple  RF  circuits,  in  comparison  to  the  state-of-the-art  works  while  maintaining  the  same  accuracy,  the  required  training  data  is  reduced  by  2.8x  -  10.9x.  In  addition,  FuNToM  needs  176.8x  -  188.6x  less  time  for  collecting  the  training  set  in  post-layout  modeling.Finally,  we  conclude  our  work  and  give  meaningful  insights  about  the  current  challenges  and  open  issues.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  engineering.
■650  4▼aComputer  science.
■650  4▼aElectrical  engineering.
■653    ▼aElectronic  Design  Automation
■653    ▼aAnalog  circuit
■653    ▼aPhysical  models
■653    ▼aMachine  Learning
■690    ▼a0544
■690    ▼a0984
■690    ▼a0464
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164482▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서