توضیحات
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 circuits 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.
————————————————————–
ترجمه ماشینی :
این کتاب به اندازه خودکار و چیدمان مدارهای یکپارچه آنالوگ (IC) با استفاده از یادگیری عمیق (DL) و شبکه های عصبی مصنوعی (ANN) می پردازد. این یک رویکرد نوآورانه برای اندازه گیری خودکار مدار را بررسی می کند که ANN ها الگوهای راه حل های طراحی قبلی را بهینه می آموزند. در تقابل با استراتژی های اندازه گیری مبتنی بر بهینه سازی کلاسیک ، که در آن از تکنیک های اطلاعات محاسباتی برای تکرار نقشه از اندازه دستگاه ها تا اجراهای مدارهای ارائه شده توسط معادلات طراحی یا شبیه سازی مدار استفاده می شود ، ANN ها نشان می دهند که قادر به حل اندازه IC آنالوگ به عنوان یک نقشه مستقیم هستند از مشخصات گرفته تا اندازه دستگاه ها. دو معماری جداگانه ANN پیشنهاد شده است: یک مدل فقط رگرسیون و یک مدل طبقه بندی و رگرسیون. هدف از مدل رگرسیون فقط یادگیری الگوهای طراحی از مدارهای مورد مطالعه ، استفاده از عملکرد مدارها به عنوان ویژگی های ورودی و اندازه دستگاه ها به عنوان خروجی هدف است. این مدل با توجه به مشخصات آن برای یک توپولوژی واحد می تواند یک مدار را اندازه بگیرد. مدل طبقه بندی و رگرسیون دارای قابلیت های یکسان مدل قبلی است ، اما با توجه به مشخصات هدف ، می تواند مناسب ترین توپولوژی مدار و اندازه مربوطه را نیز انتخاب کند. روش پیشنهادی بر روی دو توپولوژی مدار آنالوگ اجرا و آزمایش شد.
tag : دانلود کتاب استفاده از شبکه های عصبی مصنوعی برای اتوماسیون طراحی مدار یکپارچه آنالوگ , Download استفاده از شبکه های عصبی مصنوعی برای اتوماسیون طراحی مدار یکپارچه آنالوگ , دانلود استفاده از شبکه های عصبی مصنوعی برای اتوماسیون طراحی مدار یکپارچه آنالوگ , Download Using Artificial Neural Networks for Analog Integrated Circuit Design Automation Book , استفاده از شبکه های عصبی مصنوعی برای اتوماسیون طراحی مدار یکپارچه آنالوگ دانلود , buy استفاده از شبکه های عصبی مصنوعی برای اتوماسیون طراحی مدار یکپارچه آنالوگ , خرید کتاب استفاده از شبکه های عصبی مصنوعی برای اتوماسیون طراحی مدار یکپارچه آنالوگ , دانلود کتاب Using Artificial Neural Networks for Analog Integrated Circuit Design Automation , کتاب Using Artificial Neural Networks for Analog Integrated Circuit Design Automation , دانلود Using Artificial Neural Networks for Analog Integrated Circuit Design Automation , خرید Using Artificial Neural Networks for Analog Integrated Circuit Design Automation , خرید کتاب Using Artificial Neural Networks for Analog Integrated Circuit Design Automation ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.