Modelos de viabilidade para circuitos integrados analógicos

Abstract

Este trabalho busca desenvolver e validar um método para o treinamento de modelos de viabilidade, para diferentes topologias de circuitos integrados analógicos amplificadores, que permita a exploração do espaço de especificações. Os modelos de viabilidade desenvolvidos, consideram apenas o nível de sistema, e permitem que um projetista avalie rapidamente se um conjunto de especificações é viável para implementação em determinada topologia, reduzindo a necessidade de iterações manuais e acelerando o processo de projeto, ao eliminar a necessidade de simulações extensivas e análises detalhadas das variáveis a nível de circuito, como dimensionamento de transistores e demais componentes. Para isso, a partir de uma base de dados proveniente de um processo de otimização multiobjetivo, realizou-se pré-processamento e inserção de dados sintéticos que representem o espaço de projeto inviável, bem como filtragem e extração das amostras que caracterizam a aproximação da Fronteira de Pareto. Posteriormente, os dados foram divididos em conjuntos de treino, validação e teste, e foram criados modelos com intuito de responder se determinado conjunto de especificações é viável ou não, explorando diferentes técnicas como algoritmos KNN, árvores de decisão, máquinas de vetores de suporte e redes neurais A construção dos modelos de viabilidade foi explorada seguindo abordagens tanto de regressão, quanto de classificação, aplicadas em diferentes topologias de amplificadores: duas contendo duas dimensões e quatro contendo sete dimensões de desempenho. Para as topologias de referências, considerando duas dimensões no espaço de especificações, os quatro tipos de modelo inteligente se mostram promissores, apresentando coeficiente de determinação R2 acima de 0, 98, com destaque para os algoritmos KNN e redes neurais, que apresentaram taxa de acerto superior a 99% nessas topologias. Já para os casos com sete especificações, as redes neurais apresentam melhores métricas de regressão, porém são superadas pelo KNN e pelas árvores de decisão, não só na taxa de acerto global de viabilidade, mas também na inferência de novos pontos ótimos, não presentes no conjunto de treinamento, para as quatro topologias. Quanto ao tempo de inferência, o modelo que mais se destacou em relação ao aumento da dimensionalidade e de múltiplas inferências foi a árvore de decisão, com tempos entre 199 e 301 µs para uma e entre 2,17 e 2,81 ms para múltiplas inferências, utilizando aproximadamente 10 mil amostras do conjunto teste. Além disso, as redes neurais não tiveram diferença significativa de tempo em relação ao aumento da dimensionalidade

This work aims to develop and validate a method for training feasibility models for different topologies of analog integrated circuit amplifiers, enabling the exploration of the specification space. The developed feasibility models consider only the system level, allowing designers to quickly evaluate whether a set of specifications is feasible for implementation in a given topology. This reduces the need for manual iterations and accelerates the design process by eliminating the need for extensive simulations and detailed analysis of circuit-level variables, such as transistor sizing and other components. To achieve this, preprocessing and the insertion of synthetic data representing the unfeasible design space were performed on a database derived from a multi-objective optimization process. Additionally, filtering and extraction of samples characterizing the approximation of the Pareto Frontier were conducted. Subsequently, the data were divided into training, validation, and testing sets, and models were created to determine whether a given set of specifications is feasible, exploring different techniques such as KNN algorithms, decision trees, support vector machines, and neural networks The development of feasibility models was explored using both regression and classification approaches, applied to different amplifier topologies: two with two dimensions and four with seven performance dimensions. For the reference topologies, considering two dimensions in the specification space, all four types of intelligent models proved to be promising, presenting a coefficient of determination R2 above 0.98, with emphasis on KNN algorithms and neural networks, which showed an accuracy rate above 99% in these topologies. For the cases with seven specifications, neural networks achieved better regression metrics; however, they were outperformed by KNN and decision trees, not only in the overall feasibility accuracy rate but also in the inference of new optimal points not present in the training set for the four topologies. Regarding inference time, the model that stood out the most with respect to increased dimensionality and multiple inferences was decision trees, with times ranging between 199 and 301 µs for single inferences and between 2.17 and 2.81 ms for multiple inferences, using approximately 10,000 samples from the test set. Additionally, neural networks showed no significant difference in time concerning increased dimensionality