Kernekoncepter
이 연구에서는 기계 학습 모델을 활용하여 아날로그 회로의 최적 설계 매개변수를 찾는 최적화 프레임워크를 제안한다. 기계 학습 모델은 회로 사양을 예측하고 트랜지스터의 포화 조건을 확인하여 최적화 과정에서 회로 시뮬레이션 횟수를 크게 줄일 수 있다.
Resumé
이 연구에서는 기계 학습 기반 최적화 프레임워크를 제안한다. 이 프레임워크는 다음과 같은 주요 특징을 가진다:
오프라인 기계 학습 모델을 사용하여 아날로그 회로의 다양한 사양을 예측한다. 다층 퍼셉트론(MLP) 및 랜덤 포레스트(RF) 회귀 모델을 사용하여 이득, 위상 여유, 대역폭 등의 회로 사양을 예측한다.
트랜지스터의 포화 조건을 예측하기 위해 MLP 분류 모델을 사용한다. 이를 통해 최적화 과정에서 불필요한 회로 시뮬레이션을 크게 줄일 수 있다.
기계 학습 모델의 예측 결과와 회로 시뮬레이션을 결합하여 유전 알고리즘 기반의 최적화를 수행한다. 이를 통해 최적 설계 매개변수를 효율적으로 찾을 수 있다.
제안된 프레임워크를 밴드갭 기준 회로, 폴디드 캐스코드 연산 증폭기, 2단 밀러 보상 연산 증폭기 등 3가지 회로에 적용하였다. 시뮬레이션 결과, 제안된 기계 학습 기반 최적화 기법이 기존 방법에 비해 더 나은 최적 해를 찾으면서도 회로 시뮬레이션 횟수를 크게 줄일 수 있음을 확인하였다.
Statistik
밴드갭 기준 회로 최적화 시 제안된 기법(MGA-MLSCP)은 기존 방법(SGA)에 비해 56% 적은 회로 시뮬레이션으로 더 나은 최적 해를 찾을 수 있었다.
폴디드 캐스코드 연산 증폭기 최적화 시 제안된 기법(MGA-MLSCP)은 기존 방법(SGA)에 비해 60% 적은 회로 시뮬레이션으로 더 나은 최적 해를 찾을 수 있었다.
2단 밀러 보상 연산 증폭기 최적화 시 제안된 기법(MGA-MLSCP)은 기존 방법(SGA)에 비해 83% 적은 회로 시뮬레이션으로 더 나은 최적 해를 찾을 수 있었다.
Citater
"기계 학습 기반 최적화 프레임워크를 통해 아날로그 회로 설계 자동화를 크게 향상시킬 수 있다."
"제안된 기법은 복잡한 아날로그 회로의 최적 설계 매개변수를 효율적으로 찾을 수 있다."
"기계 학습 모델을 활용하여 회로 시뮬레이션 횟수를 크게 줄일 수 있다."