Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Selección rápida de topología para circuitos de amplificador analógico utilizando redes neuronales en cascada sobre la marcha
En este documento, se presenta un enfoque basado en aprendizaje automático para la automatización de la selección de topología de circuitos de amplificadores analógicos integrados. Un conjunto de datos de 480,000 circuitos para 30 topologías de amplificadores diferentes se genera para el algoritmo de predicción basado en un enfoque de tablas de búsqueda precalculadas (LUTs). Se presenta un primer enfoque basado en redes neuronales donde las especificaciones requeridas actúan como entradas a las redes, y la salida de la red es la topología adecuada para ese conjunto de especificaciones. Se examina un enfoque modificado de redes neuronales en cascada para reducir el tiempo de entrenamiento de la red manteniendo la precisión de la predicción. Utilizando el enfoque de redes neuronales en cascada, la red se entrena en solo un minuto en un ordenador estándar, y se logra una precisión de predicción del 90.8%. Esto permite cambios en tiempo real en las especificaciones de entrada, y por consiguiente en la red neuronal, para permitir el examen de diferentes escenarios de diseño.
Autores: Khalil, Karim; Yasseen, Khaled; Omran, Hesham
Idioma: Inglés
Editor: MDPI
Año: 2022
Disponible con Suscripción Virtualpro
Artículo científico
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
Este documento es un artículo elaborado por Karim Khalil, Khaled Yasseen y Hesham Omran para la revista Electronics, Vol. 11, Núm. 17. Publicación de MDPI. Contacto: electronics@mdpi.com
En este documento, se presenta un enfoque basado en aprendizaje automático para la automatización de la selección de topología de circuitos de amplificadores analógicos integrados. Un conjunto de datos de 480,000 circuitos para 30 topologías de amplificadores diferentes se genera para el algoritmo de predicción basado en un enfoque de tablas de búsqueda precalculadas (LUTs). Se presenta un primer enfoque basado en redes neuronales donde las especificaciones requeridas actúan como entradas a las redes, y la salida de la red es la topología adecuada para ese conjunto de especificaciones. Se examina un enfoque modificado de redes neuronales en cascada para reducir el tiempo de entrenamiento de la red manteniendo la precisión de la predicción. Utilizando el enfoque de redes neuronales en cascada, la red se entrena en solo un minuto en un ordenador estándar, y se logra una precisión de predicción del 90.8%. Esto permite cambios en tiempo real en las especificaciones de entrada, y por consiguiente en la red neuronal, para permitir el examen de diferentes escenarios de diseño.
Descripción
En este documento, se presenta un enfoque basado en aprendizaje automático para la automatización de la selección de topología de circuitos de amplificadores analógicos integrados. Un conjunto de datos de 480,000 circuitos para 30 topologías de amplificadores diferentes se genera para el algoritmo de predicción basado en un enfoque de tablas de búsqueda precalculadas (LUTs). Se presenta un primer enfoque basado en redes neuronales donde las especificaciones requeridas actúan como entradas a las redes, y la salida de la red es la topología adecuada para ese conjunto de especificaciones. Se examina un enfoque modificado de redes neuronales en cascada para reducir el tiempo de entrenamiento de la red manteniendo la precisión de la predicción. Utilizando el enfoque de redes neuronales en cascada, la red se entrena en solo un minuto en un ordenador estándar, y se logra una precisión de predicción del 90.8%. Esto permite cambios en tiempo real en las especificaciones de entrada, y por consiguiente en la red neuronal, para permitir el examen de diferentes escenarios de diseño.