Using Artificial Neural Networks for Analog Integrated Circuit Design Automation

این کتاب به اندازه‌گیری و طرح‌بندی خودکار مدارهای مجتمع آنالوگ (ICs) با استفاده از یادگیری عمیق (DL) و شبکه‌های عصبی مصنوعی (ANN) می‌پردازد. این یک رویکرد نوآورانه برای اندازه‌گیری خودکار مدار را بررسی می‌کند که در آن شبکه‌های عصبی مصنوعی الگوها را از راه‌حل‌های طراحی بهینه‌شده قبلی یاد می‌گیرند. در تقابل با استراتژی‌های اندازه‌گیری مبتنی بر بهینه‌سازی کلاسیک، که در آن تکنیک‌های هوش محاسباتی برای تکرار بر روی نقشه از اندازه دستگاه‌ها تا عملکرد مدارها که توسط معادلات طراحی یا شبیه‌سازی مدار ارائه می‌شود، استفاده می‌شود، شبکه‌های عصبی مصنوعی نشان داده می‌شوند که قادر به حل اندازه IC آنالوگ هستند. نقشه مستقیم از مشخصات تا اندازه دستگاه ها. دو معماری ANN جداگانه پیشنهاد شده‌اند: یک مدل فقط رگرسیون و یک مدل طبقه‌بندی و رگرسیون. هدف مدل فقط رگرسیون یادگیری الگوهای طراحی از مدارهای مورد مطالعه با استفاده از عملکرد مدار به عنوان ویژگی های ورودی و اندازه دستگاه ها به عنوان خروجی هدف است. این مدل می تواند یک مدار را با توجه به مشخصات آن برای یک توپولوژی واحد اندازه دهد. مدل طبقه‌بندی و رگرسیون قابلیت‌های مشابه مدل قبلی را دارد، اما همچنین می‌تواند مناسب‌ترین توپولوژی مدار و اندازه مربوط به آن را با توجه به مشخصات هدف انتخاب کند. روش پیشنهادی بر روی دو توپولوژی مدار آنالوگ اجرا و آزمایش شد.

This book addresses the automatic sizing and layout of analog integrated circuits (ICs) using deep learning (DL) and artificial neural networks (ANN). It explores an innovative approach to automatic circuit sizing where ANNs learn patterns from previously optimized design solutions. In opposition to classical optimization-based sizing strategies, where computational intelligence techniques are used to iterate over the map from devices’ sizes to circuits’ performances provided by design equations or circuit simulations, ANNs are shown to be capable of solving analog IC sizing as a direct map from specifications to the devices’ sizes. Two separate ANN 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.