Estrutura de Otimização Global Orientada por Aprendizado de Máquina para Projeto de Circuitos Analógicos

Neste artigo, propomos uma estrutura de otimização orientada por aprendizado de máquina para o projeto de circuitos analógicos. O objetivo principal é determinar os tamanhos dos dispositivos para o desempenho ideal de circuitos analógicos para um conjunto definido de especificações. Nossa metodologia envolve a utilização de modelos de aprendizado de máquina e simulações SPICE para direcionar o algoritmo de otimização visando alcançar o design ideal para circuitos analógicos. Modelos de substituição offline baseados em aprendizado de máquina, com os parâmetros de projeto do circuito como entrada, são construídos no espaço de design para os circuitos analógicos em estudo e são utilizados para guiar o algoritmo de otimização, resultando em uma convergência mais rápida e um número reduzido de simulações SPICE. Perceptrons multicamadas e regressões de floresta aleatória são empregados para prever as especificações de design necessárias do circuito analógico. Uma vez que a condição de saturação dos transistores é vital para o funcionamento adequado dos circuitos analógicos, classificadores de perceptrons multicamadas são utilizados para prever a condição de saturação de cada transistor no circuito. A viabilidade das soluções candidatas é verificada usando modelos de aprendizado de máquina antes de invocar simulações SPICE. Validamos a estrutura proposta usando três topologias de circuito - uma referência de bandgap, um amplificador operacional cascode dobrado e um amplificador operacional de dois estágios. Os resultados das simulações mostram melhores valores ótimos e menores desvios padrão para funções de ajuste após a convergência. A incorporação das previsões baseadas em aprendizado de máquina propostas no método de otimização resultou na redução das chamadas SPICE em 56%, 59% e 83% quando comparadas com abordagens padrão nos três casos de teste considerados no estudo.