מבוא

ממירים אנליגנו-ל-דיגיטליים (ADCs) הם מרכיבים בסיסיים באלקטרוניקה המודרנית, מגרדים את הפער בין אותות אנלוגיים רצופים לבין התחום הדיגיטלי דיסקרטי הנדרש על ידי מעבדים, זיכרון ומערכות תקשורת. כמו יישומים ב 5G, כלי רכב אוטונומיים, הדמיה רפואית ואינטרנט של דברים לדחוף לרזולוציה גבוהה יותר, כוח נמוך יותר, שיטות עיצוב מסורתיות נאבקים לשמור על קצב ייצור עבור היצע עצום, לעתים קרובות, כגון מדדי מסחר, כמו מדדי אבטחה, ואפקטים מורכבים, כגון רזולוציה יעילה, כלומר, שיטות פעולה, ואפקטים של שיטות פעולה, כלומר, כלומר, כלומר, שיטות פעולה, כמו גם שיטות פעולה, כגון: רזולוציה בינונית, כלומר, כלומר, שיטות פעולה, שימוש בתדירות גבוהה יותר, שימושית אבטחה, ואפקטים של שיטות פעולה, שימוש בתדירות גבוהה יותר, ואפקטים של אבטחה, ואפקטים של שיטות פעולה, כלומר, לעתים קרובות, שימושית אבטחה, שימושית אבטחה, שימושית אבטחה, ואפקטים של אבטחה, שימושית אבטחה, שימושית אבטחה, שימושית אבטחה, כמו גם, ואפקטים של שיטות פעולה, ואפקטים של שיטות פעולה, לעתים קרובות, כמו גם שיטות פעולה, לעתים קרובות, שימוש בתדירות גבוהה יותר

בינה מלאכותית (AI) הופכת את הנוף הזה.אלגוריתמים של למידת מכונות יכולים לחקור עשרות אלפי נקודות עיצוב ביעילות, חשיפת תצורה שהמהנדסים האנושיים עלולים להתעלם ממנה.אופטימיזציה המונעת על ידי AI אינה מחליפה את המהנדס; היא מגבירה את יכולתם להגיע לקווי ביצועים חדשים. מאמר זה מספק תצורה מקיפה, טכנית עמוקה לתוך האופן שבו טכניקות מוישות לביצועי עיצוב וכוונוט, המכסה את האלגוריתמים המעשיים, אסטרטגיות מתקדמות, ומגבלות הדרך.

קרנות של AI-Driven Optimization בעיצוב ADC

כדי להבין מדוע AI מתאים כל כך טבעי לתוך עיצוב ADC, יש קודם כל להעריך את המימד של הבעיה. ADC מתקדם טיפוסי יכול להיות עשרות אנלוגי טוטלי ופרמטרים דיגיטליים: גדלים טרנזירים, זרמי הטיה, יחסי קיבול, תזמון שעון, הגדרות קוד קליברציה, ופילטרים דיגיטליים coefficients.היחסים בין הפרמטרים והביצועים האלה (NRS, SF, , , , , , גירסאות , סימולציה , , , , מולקולה סימולציה סימולציה , רק לעתים רחוקות) ניתן רק לעתים רחוקות סימולציה של נתונים סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה ⁇ ⁇ ⁇ ⁇ סימולציה ⁇ ⁇ סימולציה סימולציה סימולציה ⁇ סימולציה ⁇ ⁇ סימולציה סימולציה ⁇ ⁇ ⁇ ⁇ ⁇ סימולציה ⁇ ⁇ סימולציה סימולציה סימולציה ⁇ ⁇ ⁇ ⁇ סימולציה סימולציה סימולציה ⁇ ⁇ ⁇ סימולציה סימולציה סימולציה סימולציה ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

טכניקות למידה מכונות מפתח

כמה משפחות למידת מכונה הוכיחו יעילות עבור אופטימיזציה ADC. כל טכניקה מציעה שינויים מסחריים שונים במונחים של יעילות דגימות, מחקר גלובלי, והתאמה לפרמטרים רציפה מול דיסקרטיים.

Reinforcement Learning

Reinforcement למידה (RL) מנסח את תהליך העיצוב כמשימה קבלת החלטות מקבילה. סוכן אינטראקציה עם סביבה (סימולטור או ספסל מבחן ADC אמיתי) על ידי בחירת ערכי פרמטרים, ומקבל אות מתגמל על בסיס הביצועים המתקבלים.על פרקים רבים, הסוכן לומד מדיניות הממקסימה את הפרס המצטבר.

גנטיקה Algorithms

אלגוריתמים גנטיים (GAs) הם שיטת אופטימיזציה המבוססת על אוכלוסייה בהשראת הברירה הטבעית. אוכלוסייה של עיצובים מועמדים (כל אחד מהם מיוצג ככרומוזום של ערכים פרמטרים) עובר בחירה, צלב ומוטציות על פני דורות. GAs חזקים למרחבי חיפוש שאינם convex ויכול להתמודד עם משתנים מעורבים integer-continenttinenttinentcasts משותף בעיצוב ADC.

אופטימיזציה Bayesian

אופטימיזציה Bayesian (BO) הפך תקן הזהב עבור פונקציות הערכה יקרות.זה בונה מודל פונדקאית פרובביליסטי (בדרך כלל תהליך Gaussian) של הפונקציה האובייקטיבית ומשתמשת בפעולת רכישה כדי להנחות את הבחירה של נקודת העיצוב הבאה. BO הוא מדגם-יעילות, הדורש הוראות של סימולציות בגודל פחות מאשר GAs או RL, מה שהופך אותו אידיאלי עבור בשלב מוקדם של ADC שבו עיצוב יכול להיות כל אחד, כדי לאפשר סימולציה של זמן רב-בולטיפלישומי, ל-ב.

רשתות

רשתות עצביות עמוקות (DNNs) משמשות כמודלים פונדקאית עוצמתיים שמהווים את המיפוי הלא-לינארי ביותר מפרמטרים עיצוביים לביצועים.לאחר אימון על תחילת נתונים של עיצובים מדומים או נמדדים, DNN ניתן להשתמש בו בשתי דרכים: (1) כהערכה מהירה בתוך לולאה אופטימיזציה (למשל, בשילוב עם אופטימיזציה היברידית או אופטימיזציה), ו (2) כחלק ממערכת עיצוב הפוכה שבה נוצרת של רשתות חישוביות מתאימות לשיפור.

מדוע אופטימיזציה של בינה מלאכותית חשובה עבור ADCs

היתרונות של עיצוב מונע AI מרחיבים הרבה מעבר לאוטומציה פשוטה.שיטות עיצוב מסורתיות או ידני לעתים קרובות להתיישב עבור פתרונות בטוחים, תת-אופטימיים כי הם לא יכולים לחקור באופן מלא את החלל ה- AI טכניקות להרחיב באופן שיטתי את חזית Pareto, חושף עיצובים כי להשיג, למשל, 10 אחוזים פחות כוח באותה החלטה, או 2DB טוב יותר SNDR תוך שמירה על תקציב תרמי.

  • (FLT:0) ביצועים גבוהים יותר: FLT:1 AI מזהה שילובים פרמטרים הניבים לינאריות גבוהה, רעש נמוך יותר, או מהירות המרה גבוהה יותר מאשר אינטואיציה אנושית בלבד יכול להשיג.
  • (FLT:0) מחזורי עיצוב של FLT:1 מה שנדרש בעבר שבועות של כוונון ידני ניתן להשיג בשעות או ימים, תוך דחיסת זמן לשוק.
  • (FLT:0) Power-efficientiveur:FLT:1 על ידי אופטימיזציה של כוח דינמי דרוג ותבנית co-דיגיטלית co-design, AI מפחית צריכת אנרגיה כוללת, קריטי עבור מכשירים קצה מופעל סוללות.
  • (FLT:0) ,Adaptability על פני תהליכים: מודלים של AI מאומן על טכנולוגיה אחת ניתן להעביר או לתקן טוב אחד למשנהו, מאיץ עיצוב מחדש.

ביצוע Tuning in Production ADCs

אופטימיזציה של בינה מלאכותית אינה מוגבלת לשלב העיצוב.לאחר שבב מוטבע, ייצור וריאציות, סחף טמפרטורה, אפקטים ההזדקנות דה ביצועים נומינליים.פוסט-סיליקון כוונון - החלת קודים, זרמי הטיה, או עיכובי השעון - הוא חיוני, ו- AI מספק דרך משכנעת כדי להתאים את התהליך הזה.

זמן הסתגלות בזמן אמת

ב- ADCs במהירות גבוהה כגון צינורות או ארכיטקטורות מדביקות זמן, פגמים בין sub-ADCs לגרום טונים מעוררי השראה ולהפחית SFDR. סוכני למידה כוח יכול לפקח באופן רציף על ספקטרום הפלט ולתאם תאים מעכבים או לצבור הגדרות כדי למזער פריטים לא מתאימים. כי הסוכן לומד על קו, זה יכול להתאים לשינויים בתנאי הפעלה ללא התערבות ידנית הוכחו זהה של הצלחה לא אופיינית (Cretraation)

פיצוי על תהליך

ממצאי הדו"ח כי תהליך וריאציות יכול לגרום עד 30 אחוזים להתפשט בכוח ADC או מהירות על פני מתיחות.זרי טרימינג מסורתיים משתמשים בהגדרה זהב קבועה, אשר תת-אופטימי עבור אדם למות. . Bayesian אופטימיזציה בשילוב עם מדידה מהירה ברמת שבב מאפשר כוונון: האלגוריתם חוקר את חלל ההנצחה באמצעות קומץ של מדידות ומתכנס לקוד הטוב ביותר עבור כל מכשיר זה.

דינמי וולט ותדירות גבוהה Scaling

ADCs מודרני ב SoCs לפעול לעתים קרובות תחת עומס עבודה דינמי ומגבלות תרמיות. סוכני ניהול כוח מבוסס AI יכולים לחזות את שיעור הדגימה הנדרשת ורזולוציה, ולאחר מכן להתאים את תדירות המתח הפנימי של ADC בזמן אמת.זה לא רק חוסך כוח, אלא גם מונע בריחה תרמית על ידי איזון ביצועים עם פירוק חום.

אסטרטגיות יעילות

הגדלת AI לתוך זרם עיצוב ADC דורש שיקול זהיר של תשתיות, נתונים, אימות. השלבים הבאים מתאר זרימת עבודה חזקה:

  1. (FLT:0)Define המטרה של אופטימיזציה: FLT:1 ⁇ metrics (למשל, ENOB > 10 b, כוח וlt; 1 mW, שטח וlt; 0.02 מ"מ2) ומגבלות. ניסוחים רב-אובייקטיביים הם נפוצים; קשקשים או קווי חזית Pareto ניתן להשתמש.
  2. (FLT:0) בניית צינור נתונים: FLT:1 לאסוף נתונים סימולציה נאמנות גבוהה (SPICE, FastSPICE, או מודלים התנהגותיים) אסטרטגיות למידה אקטיבית (למשל, אופטימיזציה Bayesian) ממזער את מספר הסימולציות הדרושות.
  3. (FLT:0Select and Train the פונדקאית:FreaLT:1) תהליכים גאווסיים פועלים היטב עבור ממדים נמוכים-עד בינוניים; רשתות עצביות הופכות לתועלת מעבר ל-20-30 פרמטרים.חשבו שיטות לחיקוי עבור אי-ודאות.
  4. (FLT:0) רוץ הלולאה אופטימיזציה: FLT:1 מציע באופן יצירתי נקודות עיצוב חדשות, להעריך אותם (הדמיון או מדידה), ולעדכן את ההחלפה על פני אשכולות מותנים מזרזים התכנסות.
  5. (FLT:0)Validate והעברה:FLT:1cio לבדוק את העיצוב AI-optimized עם מיצוי מלא ומדידות סיליקון. השתמש בתובנות כדי לחדד את מטרות האופטימיזציה עבור עיצובים עתידיים.

כלים בקוד פתוח כגון BayesianOptimization ו TensorFlow Probability ניתן לשלב עם פלטפורמות EDA מסחריות. המחוונים המובילים ובתי עיצוב מציעים כעת שירותי אופטימיזציה מבוססי AI עבור בלוקים אנלוגיים מעורבבים.

אתגרים ושיקולים

למרות הצלחות מרשים, אופטימיזציה ADC המונעת על ידי AI עומדים בפני כמה מכשולים שיש לטפל בהם לאימוץ נרחב.

מחסור בנתונים ועלויות סימבולציה

סימולציות SPICE גבוהות איטיות - סימולציה אחת יכולה לקחת שעות.אימון מודלים של נתונים כמו רשתות עצביות עמוקות מאפס הוא בלתי אפשרי.עבר למידה ממודלים נמוכים נאמנות, ריבוי נאמנות מודלים, ושימוש בנספחים אנליטיים כמו אמצעי קודם לכן הם תחומי מחקר פעילים.

המונחים: overhead

הפעלת לולאה אופטימיזציה עם אלפי הערכות עדיין דורש משאבים משמעותיים compute. קובצים מבוססי ענן עם האצה GPU עבור הכשרה מודל חלופית ו- inference עזרה, אבל עבור צוותי עיצוב ללא תשתית כזו, אלגוריתמים פשוטים יותר (למשל, אופטימיזציה של בייסי עם קבוצה קטנה ראשונית) הם מעשי יותר. Edge או על שבב עבור כוונון בזמן אמת חייב לפעול תחת כוח קפדני ותקציבי עצלות, לעתים קרובות להגביל מודלים קלוקליים.

מודל Interpretability

מעצבי אמון בניתוח פינה מבוסס כי לכל כלל עיצוב יש הצדקה פיזית ברורה.מודלים של AI "קופסא שחורה" יכולים לייצר עיצובים ממוטבים ללא הסבר לפיזיקה הבסיסית.זה יוצר קושי במהלך ביקורות עיצוב והערכה סיכון ל- AI עבור עיצוב אנלוגי - כגון ניתוח רגישות, ערכי שפלי ומנגנוני תשומת לב - קריטי לבניית אמון.

התאמה ו generalization

מודל חלופי שתואם באופן מושלם סימולציות אימון עשוי להיכשל כדי להשלים את המקרים הפינות או שבב המאורגן. Cross-validation, סדירזציה, ועדכון מודל מתמשך עם נתונים סיליקון נמדד הם חיוניים.חשוב גם לשלב וריאציות תהליך באופן מפורש כמו קלט למודל, כך עיצובים אופטימיזציה הם חזקים על פני התפשטות ייצור.

כיוונים עתידיים

ההיתוך של AI ו- ADC עדיין בשלבים המוקדמים שלו.העשור הבא כנראה יראה כמה התפתחויות טרנספורמטיביות.

אוטומציה של סוף-סוף של AI Design Automation

אנו נעים לעבר עתיד שבו כל ה- ADC עיצוב זרימה, מהגדרה ארכיטקטונית ועד הפריסה, מונחה על ידי סוכני AI. Reinforcement למידה יכול לייעל את בחירת הטופולוגיה, מכשיר sizing, ומיקום הרצפה. הפגנות מוקדמות מראות כי AI יכול ליצור סינתזה נטורליסטים ADC כי לפגוש מגבלות מרובות, למרות עדיין עם פיקוח אנושי עבור הנדסה לא רצויה.

על-ידי צ'יפ למידה ו- Edge Intelligence

הצורה האולטימטיבית של אדמירל ADC הוא אחד המבצעים מידע מתמשך, לא מבוסס על על למידה שבב. מכונת למידה כוח נמוכה למידה מאיץ משולבים לתוך ADC עצמו יכול לנתח נתונים פלט ולהתאים פרמטרים ללא התערבות חיצונית.זה מאפשר דחיסה עצמית, self-healing ADCs כי לשמור על ביצועים שיא לאורך שנים של פעולה - קריטי עבור מכשירים רפואיים מושתלים ואווירה סביבה בלתי אפשרית שבו הוא תחזוקה בלתי אפשרית.

שילוב עם טכנולוגיות מתפתחות

אופטימיזציה של בינה מלאכותית תהיה חיונית כמו ADCs בקנה מידה מעבר CMOS קלאסי לתוך פלטפורמות אקזוטיות יותר. עבור ADCs פוטוניקה, קוונטי ADCs, וממשקים Cryogenic, הפיזיקה פחות מובנת ואת שטח העיצוב רחב יותר. AI יכול לעזור לחקור ארכיטקטורות חדשניות - כגון מכונות קידוד זמן או קידוד ADCs - אשר יהיה לא מעשי לעצב באופן ידני את אותם כלים לשימוש כיום עבור CMOS מתפתח.

סטנדרט ו Benchmarking

בעוד עיצוב מונע AI הופך לזרם המרכזי, הקהילה תצטרך קריטריונים סטנדרטיים כדי להשוות אלגוריתמים אופטימיזציה מודלים חלופיים. ארגונים כמו IEEE ו- DAC הם לטפח תחרויות והנתונים על אופטימיזציה מעגלית אנלוגית, לעזור להניע מחקר מוכח ועודד את אימוץ של שיטות טובות ביותר.

מסקנה

אופטימיזציה המונעת על ידי AI אינה עוד ניסוי; זהו כלי חיוני ב ערכת הכלים של מהנדס ADC המודרנית.מבחינת חללי עיצוב גבוהים בהגדרה האדריכלות לביצוע ריצוף בזמן אמת על שבבים מודגמים, שיטות למידה מספקות שיפורים משמעותיים בביצוע, כוח, ועיצוב יעילות.האתגרים של עלות נתונים, הפרשנות, והכללה נשארים, אבל הם נושאים אינטנסיביים של מחקר מהיר ובאופן הדרגתי יותר, כמו גם אלגוריתמים יעילים יותר, כמו גם לא אלגוריתמים של AI.

(בקריאה נוספת, אנו ממליצים לחקור את הניירת הבסיסית על אופטימיזציה של Bayesian עבור מעגלים אנלוגיים (FreaLT:0IEEEFLT:1), סקר מקיף של למידת מכונה באוטומציה עיצוב אלקטרוני (ראה:2ACMibph 3: 3), ותוצאות האחרונות על חיזוק עבור ADC calibration (Falpleve:4EEph:5).