Optimierung der Leistung von Analogschaltungen mittels künstlicher neuronaler Netzwerke

Dieses Papier stellt einen neuartigen, von Deep Learning getriebenen Ansatz zur Optimierung von Analogschaltungen vor, der wichtige Entwurfsvariablen (z. B. effektive Kanalbreite, Lastwiderstand, Bias-Spannung usw.) basierend auf gegebenen Leistungskennzahlen (Spannungsgewinn, Bandbreite, Anstiegszeit, Rauschen und harmonische Verzerrung) vorhersagt. Wir haben ein sofortiges Training des Datensatzes implementiert, das eine anfängliche Parameterschätzung verwendet und die Technik der Multi-Objective-Optimierung (MOO) auf Basis des genetischen Algorithmus (GA) übertrifft. Das präsentierte Framework wurde erfolgreich mit umfangreichen numerischen Simulationen an verschiedenen Schaltungen wie Common-Source-Verstärker mit resistiver Last, aktiver Last und Differenzverstärker mit aktiver Last validiert. Zur Validierung wurde der PDK des UMC 180nm Technologie-Knotens in SPICE-Simulationen verwendet.