用于智能优化纳米电子参数的节能器件
《Computers and Electrical Engineering》:Energy-efficient devices for intelligent and optimized nanoelectronics parameters
【字体:
大
中
小
】
时间:2026年10月24日
来源:Computers and Electrical Engineering 5.5
编辑推荐:
摘要
纳电子系统的快速发展要求设计高效、高性能的电路,以最大限度地减少能耗、传播延迟以及器件可靠性问题。然而,使用传统的优化技术来优化这些参数具有挑战性,这些技术通常依靠手动调整和固定的设计规则来完成。本文提出了一种用于优化碳纳米管场效应晶体管(CNTFET)纳电子器件的智能
摘要
纳电子系统的快速发展要求设计高效、高性能的电路,以最大限度地减少能耗、传播延迟以及器件可靠性问题。然而,使用传统的优化技术来优化这些参数具有挑战性,这些技术通常依靠手动调整和固定的设计规则来完成。本文提出了一种用于优化碳纳米管场效应晶体管(CNTFET)纳电子器件的智能优化框架。为此,创建了一种新的前馈极狐网络(FFPFN),用于表征CNTFET参数之间的非线性关系。该神经网络的预测能力被用于通过极狐优化算法(PFOA)优化CNTFET参数,以探索高维参数空间中的最佳配置,从而实现最小的功耗、传播延迟和最大的能效。该框架通过优化基于CNTFET的8输入优先编码器在MATLAB中实现,并使用斯坦福CNTFET模型,与传统的CNTFET设计相比,在功耗、传播延迟和功耗-延迟积方面实现了显著改进。该神经网络模型以99.98%的准确率进行预测,并将RMSE值降低至0.08%,从而证明其效率优于现有技术。结果显示,在能效和运行性能方面取得了显著改进,这强调了该框架促进智能高性能、节能纳电子电路的能力。
1. 引言
在过去几十年中,信息安全不断发展,以保护存储和传输的数据,同时也保护信任、隐私和系统完整性[1,2]。对更快、更高效、更节能的电子设备的需求推动了下一代通信和处理系统设计和开发的范式转变[3]。传统半导体技术已接近其物理和操作极限,提高性能取决于新材料和新架构[4]。纳电子学通过利用创新材料和结构,可以显著提高功耗效率和处理速度[5]。近年来,纳电子学已成为应对传统电子学约束的重要领域[6,7]。在传统半导体技术中,缩小元件尺寸会增加散热和功耗泄漏,从而降低效率[8]。基于纳电子学的解决方案通过大幅减少高性能系统的产热和功耗,为更高的能效提供了途径,特别是基于碳纳米管和量子点等材料的技术[9]。现代安全原语非常耗能,并且容易受到物理危害的影响,包括辐射和高温[10]。另一方面,纳电子器件能够实现从根本上新型且强大的安全原语[11]。与传统互补金属氧化物半导体(CMOS)安全原语相比,纳电子安全原语在性能方面具有潜在优势[12]。使用纳电子器件,计算系统可以实现比CMOS更小的外形尺寸、更低的功耗和更快的计算时间[13]。然而,随着技术进步,功率密度增加,CMOS由于纳米级器件尺寸面临严重限制[14]。因此,随着CMOS尺寸的缩小,设计强大的CMOS电路变得越来越困难且至关重要[15]。这就是为什么迫切需要新的器件来替代传统CMOS并扩大其可扩展性,使其超越22/18 nm技术节点[16]。
核反应和离子注入都被用于在半导体中制造可控缺陷,以改变其电子特性[17]。类似地,放射性纳米颗粒正在被设计用于利用纳米物理学中的概念[18],采用核衰变向一个选定位置提供已知剂量的辐射,同时避免对其余部分的暴露[19]。最近,研究人员一直在努力构建纳米级传感器和器件,用于单原子、光子和量子现象的高速检测[20]。新的存储器和逻辑设计在尖端的工艺节点中面临速度、功耗效率和面积之间的权衡。当前可用的紧凑模型(CMs),从基于物理的到基于人工神经网络的,有助于预测器件行为[21]。基于物理的模型虽然准确,但由于复杂的非线性效应而略显缓慢。静态人工神经网络(ANN)模型速度更快;然而,它们的权重是固定的,需要大量数据集,并且无法适应新的条件[22]。本文的主要贡献描述如下;开发一个考虑各种物理和电参数的CNTFET纳电子电路动态建模框架。提出一种新型的前馈极狐网络(FFPFN)概念,用于建模CNTFET参数之间的非线性关系。FNN模型被开发用于根据电路参数预测能效指标。实施PFOA并配合智能参数优化模型。实现和评估优化的CNTFET纳电子8输入优先编码器。本文其余部分在第二节介绍相关工作,第三节阐述问题陈述,第四节介绍提议的方法论,第五节展示结果与讨论,第六节总结结论和未来工作。
2. 相关工作
一些最近的相关工作描述如下:
纳米技术涉及在原子尺度上操纵物质,具有提高能源可持续性的巨大潜力。本研究将回顾纳米技术与人工智能(AI)的结合,以解决三个关键领域的能源问题:能源收集、能源存储和能效。文章讨论了纳米技术的基础及其能源应用,以及人工智能如何优化这些系统。Kumar等人[23]讨论了纳米颗粒在能源收集和先进能源存储技术中的作用,使用实际应用的实际案例示例。将纳米技术与人工智能相结合需要高度专业化的材料和计算机资源,使开发和优化成本极高且技术上具有挑战性。
Society 5.0旨在通过尖端技术创建一个以人为本的世界,主要用于商业和商务目的。Sayyad等人[24]专注于纳米技术用于开发纳电子、纳米医学、传感器等领域的轻质高强度材料。启用AI的传感器有助于检测和预测异常,而先进的表征方法提高了智能系统的灵敏度和精度。材料不确定性和意外交互仍然是关键挑战,使得确保纳米赋能智能系统的可靠性、安全性和长期性能变得困难。
量子点元胞自动机(QCA)以超低功耗和高速性能脱颖而出,是一种有吸引力的替代品。本文提出了一种基于QCA的算术逻辑单元(ALU),包含大量门,并使用QCA-Designer 2.0.3进行模拟。Zaker等人[25]提出了一种能够执行超过12项逻辑和算术运算的ALU。结果显示,与前代设计相比,QCA具有更少的单元数和更小的面积占用率,强调了QCA在未来物联网应用中实现安全、低功耗计算的潜力。
错误敏感性、温度依赖性和缺乏先进的制造技术是QCA电路在真实物联网系统中广泛应用的主要限制。
传统上,传统计算一直面临速度和效率的问题,因为基于CMOS的ALU具有功耗低和信息丢失的特性。最近,Cao等人[26]提出了一种使用QCA技术的可逆ALU设计。本文提出了一种更小、更快的ALU设计,延迟降低了16.37%,面积效率提高了44.59%,单元数减少了41.17%。这些改进提高了纳电子系统在高性能计算中的性能和能效。
目前,还没有可靠的规模化制造方法来制造可逆QCA ALU,这使其制造困难,限制了实际应用。
Halagali等人[27]介绍了纳米载体的设计和优化,讨论了AI/ML和环保材料的几种优势。本文讨论的其他重要主题包括用于预测建模的机器学习和与医疗保健行业负责任创新相关的伦理问题。这项工作旨在通过将尖端领域结合起来,提供新的范式,推动未来创新的疗法发展。
环保纳米材料的长期安全性、生物相容性和监管批准方面的不确定性阻碍了其临床转化。
除了器件创新外,大量工作也致力于设计功耗高效的纳电子电路,包括加法器、多路复用器、优先编码器、存储单元和算术逻辑单元。这些研究主要旨在减少功耗、传播延迟和功耗-延迟积,同时保持电路可靠性和计算性能[17]。然而,许多现有方法依赖手动参数调整或传统优化技术,随着相互作用设计参数数量的增加,这些方法变得越来越低效。
另一个重要的研究方向是关于基于CNTFET电路的热特性和可靠性。器件性能受到工作温度、工艺变化、泄漏电流和阈值电压波动的显著影响。温度依赖的载流子迁移率下降和泄漏电流增加会对电路速度和能效产生不利影响,这凸显了优化框架在变化的工作条件下保持稳定性能的重要性[18]。
最近,人工智能和机器学习技术已被引入以自动化纳电子电路设计和参数优化。神经网络、深度学习模型和仿生优化算法已经证明在建模非线性器件行为方面具有令人信服的能力,并能在电路优化过程中降低计算复杂性[19]。然而,大多数现有研究独立使用预测模型和优化算法,限制了它们同时实现准确性能预测和全局参数优化的能力。
鉴于这些研究空白,本文提出的框架集成了前馈极狐网络(FFPFN)与极狐优化算法(PFOA),以共同执行CNTFET纳电子电路的智能性能预测和多参数优化。这种集成方法为改善功耗效率、传播延迟和整体电路性能提供了一种计算上有效的解决方案。
3. 问题陈述
设计节能的CNTFET纳电子电路涉及同时优化几个相互依赖的物理和电参数,包括纳米管直径、沟道长度、栅极氧化层厚度、供应电压和阈值电压。这些参数共同影响功耗、传播延迟、泄漏电流和功耗-延迟积(PDP)等关键性能指标。改善一项性能指标往往会对其余指标产生不利影响,使得设计过程成为一个复杂的多参数优化问题。传统的CNTFET设计方法主要依赖手动参数调整、预定义的设计规则或基于穷举模拟的探索。这些方法计算成本高、耗时,并且由于无法有效捕捉多个设计变量之间的非线性关系,通常无法确定全局最优参数组合。此外,重复的电路模拟显著增加了设计时间,尤其对于大型纳电子电路。
现有方法的另一个限制是缺乏能够准确估计优化前电路性能的智能预测模型。大多数传统神经网络模型采用固定网络参数,当器件特性或工作条件变化时适应性有限。因此,优化过程变得不够高效,可能收敛到次优解。
为了克服这些限制,本文将CNTFET纳电子电路设计表述为智能参数优化问题,其中多个相互作用的器件参数被同时优化,以在保持高电路性能的同时实现更高的能效。提出的框架集成了前馈极狐网络(FFPFN)与极狐优化算法(PFOA),以自动化优化过程。FFPFN学习CNTFET设计参数与性能指标之间的非线性关系,从而能够在无需重复电路模拟的情况下快速准确预测电路行为。基于这些预测,PFOA高效探索搜索空间,确定最小化功耗、传播延迟、泄漏和功耗-延迟积的最佳参数配置。
通过将智能预测与仿生优化相结合,提出的框架提供了一种自动且计算上高效的CNTFET参数优化解决方案。与常规设计方法相比,该方法降低了设计复杂性,提高了优化精度,并增强了CNTFET纳电子电路的整体能效。
4. 提议的方法论
本文的目标是提出一种优化的智能框架,用于设计和优化基于CNTFET的纳电子电路,以实现节能系统。因此,开发了一种新型的前馈极狐网络(FFPFN)。FNN学习CNTFET参数与所得电路性能之间复杂的非线性关系。根据FNN [28]的预测,极狐优化算法(PFOA)[29]是一种受极狐狩猎和导航行为启发的元启发式算法,探索高维参数空间,以发现最小化功耗并实现节能设计的最佳CNTFET参数。为了验证提出的框架,采用了几项性能指标。最后,将优化的CNTFET与常规CNTFET进行比较,如图1所示,证明了在能效和整体性能方面可以取得显著改进。
下载:下载高分辨率图像(265KB)
下载:下载全尺寸图像
图1. 提议的架构。
# CNTFET器件的动态建模
基于CNTFET的纳米电子电路的动态建模涉及建立晶体管设计参数与其性能之间的精确数学关系。这是因为CNTFET在纳米尺度下的行为与其经典的MOSFET器件存在显著差异,这源于量子效应、弹道输运以及对几何和电气参数的强依赖性。该模型揭示了电源电压、沟道长度、碳纳米管直径、阈值电压、上升时间、下降时间、温度和占空比的变化如何影响关键性能指标,包括功耗、传播延迟、能效和开关可靠性。决定CNTFET动态工作的漏极电流按公式(1)建模:
$$I_D = \frac{2qkT}{h} \sum_n I_n \left[1 + \exp\left(\frac{q(V_{GS} - V_{th,n})}{kT}\right)\right]$$
其中,栅源电压控制CNTFET处于导通(ON)还是关断(OFF)状态。$V_{th,n}$ 为第$n$个子带的阈值电压,直接取决于碳纳米管直径和手性,二者影响纳米管的能带结构。$q$为电子电荷,$k$为玻尔兹曼常数,$T$为器件工作温度,$h$为普朗克常数。
该模型还采用了弹道输运机制,即电子在碳纳米管沟道中穿越时散射极小,考虑了纳米尺度下的量子约束效应,从而能够实现相对于经典MOSFET行为的精确电流传输建模。
沟道电阻($R_{ch}$)和总电容($C_{tot}$)是定义传播延迟和开关性能的关键参数,如公式(2&3)所示:
$$R_{ch} = \frac{L_{ch}}{\mu \cdot D_{CNT} \cdot C_{ox} \cdot (V_{GS} - V_{th})}$$
$$C_{tot} = C_{ox} \cdot D_{CNT} \cdot L_{ch} + C_{fringe}$$
其中,$\mu$为载流子迁移率,描述电荷载流子通过碳纳米管沟道的移动难易程度;$C_{ox}$为栅氧化层电容,用于建模栅极与沟道之间的静电耦合;$C_{fringe}$为寄生电容,由布局及邻近结构引起。沟道长度越长或迁移率越低,沟道电阻越高,晶体管的开关速度越慢。另一方面,使用更大直径的碳纳米管会增加导电面积并降低电阻,但电容也会增加,可能影响延迟。
传播延迟是电压信号通过CNTFET所需的时间,按公式(4)计算:
$$t_d = 0.69 \cdot R_{ch} \cdot C_{tot}$$
传播延迟($t_d$)的优化对高速电路运行以及最小化频繁开关过程中的动态功率损耗具有重要意义。
动态功耗和能效由CNTFET的电流和电源电压决定,如公式(5)所示:
$$P = V_{dd} \cdot I_D, \quad \eta = \frac{1}{P \cdot t_d}$$
其中$P$为单位时间消耗的能量,$\eta$表示每次开关操作的能效。
能效优化涉及同时最小化功率耗散和传播延迟,这在低功耗、高性能纳米电子领域中至关重要。CNTFET的开关效果可以使用公式(6)中最大电流与最小电流的比值来估算:
$$\frac{I_{on}}{I_{off}} = \frac{I_D(V_{GS} = V_{dd})}{I_D(V_{GS} = 0)}$$
高的$I_{on}/I_{off}$电流比确保逻辑电平之间的强区分度、关断状态下的漏电流最小化以及数字电路中的更高可靠性。所有这些参数都是相互关联的,理解它们之间的相互作用可以得出CNTFET工作的综合动态模型,指导后续的参数优化。
所提出的前馈北极狐网络(FFPFN)旨在对CNTFET设计参数与能效指标之间的非线性关系进行建模。该网络接收优化后的电路参数作为输入,并预测相应的功耗、传播延迟、漏功耗和功耗延迟积(PDP),从而在优化过程中消除对重复进行计算密集型电路仿真的需求。FFPFN由输入层、两个全连接隐藏层和一个输出层组成。输入层接收归一化后的CNTFET设计参数,包括纳米管直径、沟道长度、栅氧化层厚度、电源电压、阈值电压以及在斯坦福CNTFET模型中考虑的其他电学特性。第一个隐藏层包含32个神经元,第二个隐藏层包含16个神经元。两个隐藏层均采用修正线性单元(ReLU)激活函数,因为它收敛速度快,且能够在不受梯度消失问题影响的情况下建模复杂的非线性关系。输出层使用线性激活函数来预测连续值的电路性能指标。网络使用Adam优化算法进行训练,初始学习率为0.001,该算法提供了稳定的收敛和高效的参数更新。采用均方误差(MSE)作为损失函数,因为目标是使估计值与模拟CNTFET性能值之间的预测误差最小化。为了提高泛化能力并防止过拟合,通过在训练过程中监控验证损失来应用早停机制。
基准数据集由使用MATLAB中的斯坦福CNTFET紧凑模型生成的12,000个CNTFET仿真样本组成。每个样本包含输入设计参数以及从电路仿真中获得的相应输出性能指标。数据集被划分为70%训练集、10%验证集和20%测试集,并使用五折交叉验证进一步评估所提模型的鲁棒性。在训练过程中,使用64的批量大小和最多100个epoch。网络权重使用He初始化方法初始化以加速收敛。训练完成后,FFPFN作为所提优化框架中的代理预测模型。不再反复调用计算密集型CNTFET仿真,而是通过训练好的FFPFN由北极狐优化算法(PFOA)快速估计候选参数组合的电路性能。这显著减少了优化时间,同时保持了高预测精度,使得能够高效探索多维设计空间并在表1中确定节能的CNTFET配置。
**表1. 所提前馈北极狐网络(FFPFN)配置**
| 参数 | 配置 |
|------|------|
| 网络类型 | 前馈神经网络 |
| 输入特征 | CNTFET物理和电学参数 |
| 隐藏层1 | 32个神经元 |
| 隐藏层2 | 16个神经元 |
| 输出层 | 4个神经元(功耗、延迟、漏功耗、PDP) |
| 隐藏层激活函数 | ReLU |
| 输出激活函数 | 线性 |
| 损失函数 | 均方误差(MSE) |
| 优化器 | Adam |
| 初始学习率 | 0.001 |
| 批量大小 | 64 |
| 最大Epoch数 | 100 |
| 权重初始化 | He初始化 |
| 数据集大小 | 12,000个样本 |
| 训练集 | 70% |
| 验证集 | 10% |
| 测试集 | 20% |
| 交叉验证 | 五折 |
| 早停 | 验证损失监控 |
| 实现平台 | MATLAB R2023a |
# 北极狐优化算法(PFOA)
北极狐优化算法(PFOA)是一种基于种群的生物启发优化技术,模仿北极狐在恶劣北极环境中的适应性狩猎和生存行为。该算法旨在高效平衡全局探索与局部开发,使其能够在复杂的非线性优化问题中识别高质量解。在所提框架中,PFOA用于确定最优CNTFET设计参数,以最小化功耗、传播延迟、漏功耗和功耗延迟积,同时提高纳米电子电路的整体能效。
初始阶段,在预定义的设计范围内随机生成一组候选CNTFET参数集种群。每个候选解代表物理和电学器件参数的可行组合。使用训练好的前馈北极狐网络(FFPFN)评估每个候选解的适应度,该网络预测相应的电路性能指标。根据这些预测,候选解根据优化目标进行排名。在探索阶段,北极狐搜索解空间的不同区域,以维持种群多样性并防止过早收敛到局部最优。随机移动使算法能够探索未探索的参数组合,从而增加找到全局最优解的概率。
在开发阶段,候选解逐渐向之前迭代中识别出的最佳表现个体移动。搜索区域不断缩小,使算法能够在有前景的解周围进行密集的局部搜索。这种自适应搜索行为加速了收敛,同时在优化过程中保持了足够的多样性。优化过程持续进行,直到达到最大迭代次数或适应度值的改进变得微不足道为止。优化过程结束时获得的最佳候选解被选为最优CNTFET参数配置,随后用于实现节能的8输入优先级编码器,如表2所示,架构在图2中展示。
与传统的优化技术相比,PFOA提供了更快的收敛速度、更好的全局搜索能力和更高的解质量,适用于高维非线性优化问题。这些特性使其特别适合于CNTFET纳米电子电路的智能优化,因为在这些电路中,必须同时优化多个相互作用的交互设计参数。
**表2. 北极狐优化算法参数**
| 参数 | 值 |
|------|------|
| 优化算法 | 北极狐优化算法(PFOA) |
| 种群大小 | 50 |
| 最大迭代次数 | 100 |
| 搜索空间 | CNTFET设计参数 |
| 候选解 | 一组CNTFET参数 |
| 适应度评估 | FFPFN预测模型 |
| 选择策略 | 最佳适应度 |
| 探索机制 | 随机全局搜索 |
| 开发机制 | 自适应局部搜索 |
| 停止准则 | 最大迭代次数或收敛 |
| 输出 | 最优CNTFET参数 |
**图2. 所提层示意图**
## 4.2 预测
前馈神经网络用于对CNTFET中物理参数与器件性能指标之间的非线性关系进行映射。针对给定的输入参数——如电源电压、沟道长度、碳纳米管直径、阈值电压、上升时间、下降时间、温度和占空比——所提网络预测能效、导通/关断电流比、功耗和传播延迟作为性能指标。
输入参数向量如公式(7)所示:
$$X = [V_{dd}, L_{ch}, D_{CNT}, V_{th}, t_r, t_f, T, DC]$$
每个输入参数都对电路性能有直接影响:
- $V_{dd}$(电源电压)影响功耗和电流驱动能力
- $L_{ch}$(沟道长度)影响沟道电阻,从而影响延迟和漏电
- $D_{CNT}$(碳纳米管直径)决定电流传导和电容,从而控制速度和能效
- 阈值电压$V_{th}$决定开关阈值,控制器件是导通还是关断
- 上升时间$t_r$和下降时间$t_f$直接影响输出信号的转换速度
- 温度$T$表示对迁移率和漏电的影响
- 占空比$DC$模拟输入信号模式对能量耗散的影响
FFPFN对电路性能指标的预测由公式(8)给出:
$$\hat{Y} = F(X; W, b), \quad \hat{Y} = [\hat{\eta}, \hat{I}_{on}/\hat{I}_{off}, \hat{P}, \hat{t_d}]$$
其中,$\hat{Y}$表示电路的预测能效和性能指标,$W$和$b$表示网络的权重和偏置,在训练过程中学习得到。该公式形式化了FFPFN如何将CNTFET参数$X$映射为电路性能,为后续步骤中的智能优化奠定基础。
网络通过非线性激活函数捕获此类复杂依赖关系,使得能够对之前未见过的参数组合进行准确的电路行为预测,这对于在不进行穷举仿真的情况下指导优化至关重要。
## 4.3 参数优化
在使用FFPFN预测电路性能指标后,采用北极狐优化来识别最优CNTFET参数集,以最大化能效同时确保理想的电路行为。优化是基于预测的,即依赖FFPFN的输出$\hat{Y}$来评估候选参数对电路性能的影响。
在本研究中,优化的参数包括:
- $V_{dd}$:优化以在不降低性能的情况下最小化功耗
- $L_{ch}$:调整以平衡速度和漏电
- $D_{CNT}$:选择以降低沟道电阻,同时控制电容
- $V_{th}$:调谐以实现可靠开关和最小关断漏电
- $t_r$和$t_f$:优化以实现更快的信号转换
- $DC$和$T$:纳入以确保动态运行期间的稳定性
优化后的CNTFET参数向量如公式(9)所示,代表此优化的最终结果:
$$X^* = [V_{dd}^*, L_{ch}^*, D_{CNT}^*, V_{th}^*, t_r^*, t_f^*, T^*, DC^*]$$
其中,$X^*$对应于CNTFET参数的最佳组合,能够实现最大能效,同时最小化动态功耗并减少传播延迟。它还确保高导通/关断电流比,这是可靠数字开关的必要条件。FFPFN的预测能力与PFOA提供的智能参数搜索相结合,首次实现了一种系统且高效的方法来设计基于CNTFET的电路。实际上,它将避免对穷举模拟所有可能的参数组合的需求,在设计阶段提供相当大的速度提升,同时确保高度可靠且节能的运行。FFPFN的流程图如图3所示。
**图3. 所提FFPFN流程图**
图3说明了用于设计和优化碳纳米管参数的简单过程。首先,初始化CNTFET器件参数并计算基本电量。然后将它们输入到前馈网络中,该网络预测所需电路参数的行为。基于此预测,北极狐优化算法逐步调整参数以获得最佳优化值。算法1以文本形式表示相同的序列:从初始化开始,计算CNTFET特性,将它们输入预测模型,使用PFOA规则更新参数,最后输出优化结果。
**算法1. FFPFN**
```
开始
{
动态建模()
// 初始化CNTFET参数:Vdd, Lch, DCNT, Vth, tr, tf, T, DC
// 计算基本碳纳米管特性(ID, Rch, Ctot)
// 导出性能指标(η, Ion/Ioff, P, td)
预测()
// 初始化网络权重和偏置
// 输入向量 X → inputs
// 预测电路指标:?
优化()
// 生成候选参数集
// 为每个候选解评估预测输出 ?
// 迭代更新参数以获得 X*
性能()
// 将优化后的参数向量应用于电路
// 计算最终性能指标
}
结束
```
## 5. 结果与讨论
所提基于CNTFET的八输入优先级编码器在Windows 10上使用MATLAB进行仿真。通过在不同的电源电压和工作条件下计算功耗、传播延迟和PDP来估计所提设计的性能。
在本研究中,电路采用斯坦福CNTFET模型进行建模,并将其性能与传统CNTFET实现方案进行比较。表3总结了本研究中使用的关键仿真和设计参数。
表3. 实现与仿真参数
参数 配置
操作系统 Windows 10
仿真工具 Matlab
CNTFET技术节点 32 nm
标称供电电压 0.9 V
输入上升时间 50 ps
输入下降时间 50 ps
温度 25 °C
占空比 50 %
优化技术 PFOA
隐藏层数 2
每层神经元数 32、16
学习率 0.001
种群规模 30
最大迭代次数 100
电路类型 8输入优先编码器
5.1 案例研究——优化的CNTFET基8输入优先编码器
为展示所提出的优化方法在纳米电子电路参数方面的有效性,所提出的FFPFN框架已应用于8输入CNTFET优先编码器。电路原理图如图4所示,其中输入D1–D7驱动实现优先逻辑的CNTFET网络,X、Y和Z为对应的编码输出。已开发了一个优先编码器模型,突出了关键的CNTFET物理参数。利用FFPFN,对多种参数组合下CNTFET设计参数与电路性能之间的非线性关系进行了建模。极地狐优化算法在参数空间进行搜索,选择最优参数向量以最小化动态功耗、最大化导通/关断电流比并最小化传播延迟。该过程从输入CNTFET参数开始,将其送入前馈神经网络以预测电路的性能特征。这些预测值随后被传递给极地狐优化算法,由该算法智能地调整和优化CNT参数。中间图像展示了CNT器件的结构,说明了源极、漏极、碳纳米管、二氧化硅层和硅基板。优化完成后,系统将返回增强型的CNT参数,从而实现更优的能效性能。
图4. CNTFET电路架构
图4中所示的电路已进行建模,以捕捉影响能效、动态功耗和开关速度的关键物理参数。利用所提出的模型结合不同的CNTFET参数向量组合,预测电路性能,并由极地狐优化算法得出最优参数向量,以同时最大化能效并最小化传播延迟。
图5展示了使用FFPFN框架时功耗随优化迭代次数的变化情况。功耗从约5.2 nW开始,在前30次迭代中迅速下降,收敛至约3.27 nW,并在其余迭代中保持几乎恒定。这表明所提出的模型能够有效且高效地收敛至最优CNTFET参数,在最小化功耗的同时保持能效并确保稳定性能。
图5. 所提模型的收敛曲线
5.2 性能比较
R2分数、RMSE、预测稳定性、PDP降低率、功耗效率以及延迟最小化是评估所提出的FFPFN性能的关键指标,以传统CNTFET设计作为基准[30]。通过将其与几种知名的预测和优化方法进行比较,包括深度自适应神经网络(DANN)[17],可以清楚地确立所提出的FFPFN模型所带来的改进程度。这些模型作为基准,用于验证所提方法的预测准确性和优化能力。
图6展示了不同温度条件下基于CNTFET电路的延迟性能。观察发现,传统CNTFET设计在所有温度条件下均具有最高的延迟,范围为25 ps至28 ps。当将FFN技术应用于设计时,由于对设计最优参数的准确预测,延迟在一定程度上有所降低。当将PFO技术应用于设计时,由于对CNTFET参数的准确优化,延迟进一步降低。然而,所提出的混合框架CNTFET-FFPFN,将FFN预测与PFO优化技术相结合用于设计,在所有温度条件下均具有最低延迟,范围为21 ps至23 ps。这表明所提出的模型由于对CNTFET设计参数的准确优化而具有最低延迟。
图6. 温度对延迟的影响
图7提供了不同温度下各种优化方法的PDP变化情况。传统CNTFET设计在各种温度条件下表现出最高的PDP值,范围为149 fJ至165 fJ。另一方面,应用FFN优化方法后,由于改善了CNTFET最优参数的预测,CNTFET设计的PDP值有所降低。使用PFO方法对CNTFET的PDP值进行进一步优化,该方法在调节CNTFET参数方面表现更优。所提出的方法CNTFET-FFPFN在各种温度条件下为CNTFET提供了最低的PDP值,范围为122 fJ至136 fJ。
图7. 温度对功率延迟积(PDP)的影响
图8展示了功耗与温度的关系。传统CNTFET结构在各种温度水平下表现出最高的功耗。功耗随温度升高而逐渐增加,在100°C时达到最大值3.6 nW,而0°C时的初始值为2.0 nW。当采用FFN模型时,功耗较低。随着神经网络模型预测到更优的电路参数,功耗略有降低。当采用PFO算法时,功耗更低。该算法更好地优化了电路参数,与FFN模型相比功耗更低。当采用所提出的混合模型时,功耗最低。功耗在1.6 nW至3.0 nW范围内变化。在所有温度水平下功耗均为最低,表明混合模型在降低功耗方面十分有效。表4描述了温度与性能指标的总体关系。
图8. 功耗与温度的关系
表4. 温度与性能指标
温度(°C) | CNTFET | CNTFET+FFN | CNTFET+PFO | 所提方法(CNTFET-FFPFN)
延迟(ps) | | | |
0 | 28 | 26.5 | 24.8 | 23
25 | 25 | 23.7 | 22.4 | 21
50 | 27.5 | 26.0 | 24.2 | 22.5
75 | 27.5 | 26.1 | 24.4 | 22.5
100 | 28 | 26.6 | 24.9 | 23
PDP(fJ) | | | |
0 | 165 | 155 | 145 | 136
25 | 149 | 140 | 130 | 122
50 | 162 | 152 | 142 | 133
75 | 163 | 153 | 143 | 134
100 | 165 | 155 | 145 | 135
功耗(nW) | | | |
0 | 2.0 | 1.9 | 1.75 | 1.6
25 | 3.0 | 2.8 | 2.6 | 2.4
50 | 3.2 | 3.0 | 2.8 | 2.6
75 | 3.4 | 3.2 | 3.0 | 2.8
100 | 3.6 | 3.4 | 3.2 | 3.0
图9展示了采用不同优化技术时电路输入与输出之间的延迟随供电电压的变化情况。显而易见,传统CNTFET设计在所有供电电压下均具有最大延迟。然而,当采用FFN模型时,由于模型预测了更优的电路参数配置,延迟略有降低。显而易见,PFO技术更好地优化了电路参数,因此与FFN技术相比具有更低的延迟值。然而,所提出的混合CNTFET-FFPFN模型所得结果与其他优化技术相比具有最低的延迟值。此外,所提模型所得延迟值范围为12 ps至20.7 ps。
图9. 输入到输出延迟与供电电压的关系
图10展示了采用不同优化技术时CNTFET功耗随供电电压的变化情况。显然,传统CNTFET设计在各种供电电压水平下均具有最高的功耗。功耗从0.7 V供电电压时的3.99 nW增加到1.3 V供电电压时的7.66 nW。功耗的增加是由于在高供电电压时开关活动增加和动态功耗耗散增加所致。采用FFN技术可降低功耗。采用PFO优化技术可降低功耗,该技术能够高效地优化CNTFET参数。所提出的混合CNTFET-FFPFN设计在各种供电电压下均具有最低的功耗,从0.7 V供电电压时的3.27 nW到1.3 V供电电压时的6.28 nW。降低的功耗证明了所提设计有效地集成了FFN预测与PFO优化,通过减少功耗耗散来增强CNTFET设计的性能。
图10. 功耗与供电电压的关系
图11展示了采用不同优化技术时CNTFET总功耗随供电电压的变化情况。显然,传统CNTFET逻辑电路在各种供电电压下均具有最高的总功耗。总功耗从0.7 V供电电压时的4.6 nW增加到1.3 V供电电压时的8.8 nW。FFN优化方法的总功耗低于传统方法,因为它预测了CNTFET参数的最有效组合。采用PFO方法的总功耗低于FFN方法,因为PFO高效地优化了CNTFET参数。采用所提CNTFET-FFPFN方法的总功耗在各种供电电压下均为最低,即从0.7 V供电电压时的3.8 nW到1.3 V供电电压时的7.2 nW。采用所提方法后总功耗的降低表明,FFN的预测能力和PFO的优化能力在提高CNTFET逻辑电路的能效以及确保逻辑电路在各种供电电压下的稳定运行方面非常有效。
图11. 总功耗与供电电压的关系
图12展示了采用不同CNTFET技术时延迟与供电电压的关系。显然,传统CNTFET设计在所有电压水平下均表现出最高的传播延迟。这意味着开关速度较低。然而,通过引入FFN,传播延迟略有降低。这是因为所提出的FFN方法预测了CNTFET器件的优化参数配置。通过引入PFO,传播延迟进一步降低。这是因为PFO更准确地优化了器件参数。结果,开关速度得到提高。然而,显然所提出的混合CNTFET-FFPFN模型在所有电压水平下均表现出最低的传播延迟。这意味着所提模型表现出最快的开关速度。传播延迟范围为1.36 ps至4.20 ps。
图12. 延迟与供电电压的关系
图13展示了不同CNTFET优化方法下PDP随供电电压的变化情况。传统CNTFET结构在所有供电电压下均具有最高的PDP,表明在开关操作期间能量消耗最大。实施FFN后,PDP有所降低,因为它改善了CNTFET最优参数配置的预测。PFO技术在优化CNTFET参数方面更为高效,与采用FFN优化技术相比,PFO降低了PDP。然而,观察到所提出的混合CNTFET-FFPFN结构在所有供电电压水平下均具有最低的PDP,范围为7.07 fJ至31.80 fJ。这显著降低了功耗和传播延迟,表明CNTFET纳米电路的能效得到了提升。
图13. PDP与供电电压的关系
已对所提出的编码器在各种供电电压下的传播延迟进行了测量。从表5可以看出,所提设计在所有电压水平下均比标准CNTFET设计具有更快的操作速度。较低的延迟值表明,参数优化有效地提高了编码器中CNTFET的开关速度,确保了更优的时序性能,即使在较高供电电压下也能可靠地处理信号。
表5. 供电电压与性能指标
供电电压(V) | CNTFET | CNTFET+FFN | CNTFET+FFO | 所提方法(CNTFET-FFPFN)
I/O延迟(ps) | | | |
0.7 | 14.71 | 13.9 | 13.0 | 12.0
0.9 | 25.2 | 23.8 | 22.3 | 20.7
1.1 | 17.8 | 16.9 | 15.7 | 14.6
1.3 | 14.8 | 13.9 | 13.0 | 12.1
功耗(nW) | | | |
0.7 | 3.99 | 3.70 | 3.50 | 3.27
0.9 | 5.19 | 4.90 | 4.60 | 4.25
1.1 | 6.41 | 6.00 | 5.60 | 5.25
1.3 | 7.66 | 7.20 | 6.70 | 6.28
总功耗(nW) | | | |
0.7 | 4.6 | 4.3 | 4.1 | 3.8
0.9 | 5.9 | 5.5 | 5.2 | 4.8
1.1 | 7.4 | 6.9 | 6.4 | 6.0
1.3 | 8.8 | 8.2 | 7.7 | 7.2
延迟(ps) | | | |
0.7 | 5.12 | 4.80 | 4.50 | 4.20
0.9 | 1.66 | 1.55 | 1.45 | 1.36
1.1 | 3.90 | 3.60 | 3.40 | 3.20
1.3 | 5.06 | 4.70 | 4.40 | 4.15
PDP(fJ) | | | |
0.7 | 20.46 | 19.10 | 18.00 | 16.77
0.9 | 8.62 | 8.10 | 7.60 | 7.07
1.1 | 25.01 | 23.50 | 22.10 | 20.51
1.3 | 38.79 | 36.40 | 34.20 | 31.80
功率延迟积综合考虑了功耗和速度,以评估电路的整体效率。表6表明,所提出的编码器在所有供电电压下均比传统CNTFET设计具有更低的PDP。这证实了优化后的设计不仅以较低的功耗运行,而且速度更快,从而提供了更高的能效和更优的性能。
PDP 的这种改进表明了 FFPFN 优化在实现平衡、高效的基于 CNTFET 的设计方面的成功。
表 6. PDP 与电源电压。
Vdd (V) PDP (fJ) CNTFET 提出方法
0.7 20.46 0.16.77
0.9 8.62 47.07
1.1 25.00 920.51
1.3 38.78 831.80
图 14 展示了模型预测与实际情况的吻合程度。DANN 模型的 R2为 99.94%,而提出的 FFPFN 模型更优,达到 99.98%。这表明该模型将更精确地预测结果,并更适当地呈现 CNTFET 参数值与电路性能之间的关系。
下载:下载高分辨率图像 (141KB) 下载:下载全尺寸图像
图 14. R2 比较。
RMSE 量化了预测误差,如图 15 所示。DANN 模型中的 RMSE 为 0.12%,而提出的 FFPFN 将其降低到了 0.08%。较低的 RMSE 表明 FFPFN 的预测值更接近实际值,使其更加可靠和一致。
下载:下载高分辨率图像 (76KB) 下载:下载全尺寸图像
图 15. RMSE 比较。
表 7 显示提出的 FFPFN 模型的性能相当优越。该模型具有更高的准确率(R2)和更低的误差(RMSE),表明其比 DANN 模型更能准确地预测 CNTFET 性能。
表 7. 性能指标。
模型 R2-Score (%) RMSE (%)
DANN 99.94 0.12
提出 FFPFN 99.98 0.08
5.3. 讨论
表 8 展示了在不同工作条件下提出的基于 CNTFET 的八输入优先编码器的主要性能指标的紧凑统计摘要。提出的优化框架产生了恒定的能效、较小的平均功耗、轻微的平均延迟和较小的 PDP。所有指标的中位数和平均值非常接近,从而反映了各种操作场景下均衡的性能。低的标准差值和狭窄的 95% 置信区间证明了所提出模型的稳健性和稳定性,表明即使在不同的条件下,该设计也能保持其效率和速度。
表 8. 提出的 CNTFET 的统计摘要。
指标 性能 平均 中位数 标准差 最小 最大
功耗 (nW) 3.27 4.76 4.75 1.34 3.27 6.28
延迟 (ps) 1.36 3.23 3.68 1.40 1.36 4.20
PDP (fJ) 7.07 18.04 16.77 10.28 7.07 31.80
能效 (%) 95.25 88.90 90.50 7.83 78.36 95.25
这些结果证实,FFPFN 优化框架有效地支持了 CNTFET 的智能参数估计和调整。该优化设计提供了最小的能耗和切换延迟,提高了电路的整体性能,使其非常适合纳米电子低功耗、高速电路应用。
为了展示所提出框架的泛化能力,FFPFN-PFOA 优化策略在三个广泛使用的 CNTFET 基准电路(即 4:1 多路复用器、全加器和环形振荡器)以及 8 输入优先编码器上进行了进一步评估。如表 9 所示,所提出的框架在所有基准电路上始终实现高预测准确率,R2值超过 99.96%,RMSE 值低于 0.10%。此外,每个优化电路都表现出低功耗、减少的传播延迟和改进的功耗延迟积,证实了所提出优化策略的有效性,无论电路功能如何。始终保持在 94.68% 到 96.48% 之间的能效值表明,所提出的框架不仅限于单一应用,还可以成功地应用于不同的基于 CNTFET 的组合和顺序纳米电子电路。这些结果表明了 FFPFN-PFOA 框架在针对节能纳米电子设计进行智能优化方面的稳健性、可扩展性和实际适用性,如表 10 所示。此外,还探索了表 11、表 12 中的统计显著性。
表 9. 在基准 CNTFET 电路上推广性能。
基准电路 功耗 (nW) 延迟 (ps) PDP (fJ) 能效 (%) R2-Score (%) RMSE (%)
4:1 多路复用器 2.84 1.21 5.62 96.48 99.97 0.09
全加器 3.15 1.29 6.48 95.92 99.97 0.09
环形振荡器 4.63 1.58 9.74 94.68 99.96 0.10
8 输入优先编码器 3.27 1.36 7.07 95.25 99.98 0.08
表 10. 与近期最先进优化方法的性能比较。
方法 年份 优化技术 功耗 (nW) 延迟 (ps) PDP (fJ) 能效 (%)
遗传算法 (GA) 2023 进化优化 4.21 1.82 9.46 90.84
粒子群优化 (PSO) 2023 群体智能 3.98 1.73 8.71 91.76
灰狼优化器 (GWO) 2024 仿生优化 3.74 1.65 8.05 92.84
鲸鱼优化算法 (WOA) 2024 自然启发优化 3.61 1.59 7.72 93.48
人工蜂鸟算法 (AHA) 2025 元启发式优化 3.48 1.52 7.38 94.26
极狐优化 (PFOA) 2025 仿生优化 3.39 1.47 7.19 94.83
提出 FFPFN + PFOA 2026 预测 + 仿生优化 3.27 1.36 7.07 95.25
表 11. 30 次独立运行的统计分析。
指标 平均 标准差 95% 置信区间 最佳 最差
功耗 (nW) 3.27 0.05 3.25 – 3.29 3.21 3.38
延迟 (ps) 1.36 0.03 1.35 – 1.37 1.31 1.42
PDP (fJ) 7.07 0.12 7.03 – 7.11 6.91 7.31
能效 (%) 95.25 0.46 95.08 – 95.42 95.91 94.38
表 12. 统计显著性分析。
比较 p 值 效应量 显著 (p < 0.05)
提出 vs GA <0.001 0.94 是
提出 vs PSO <0.001 0.91 是
提出 vs GWO <0.001 0.88 是
提出 vs WOA 0.002 0.81 是
提出 vs AHA 0.006 0.74 是
提出 vs PFOA 0.014 0.62 是
为了评估所提出框架在典型环境和工业操作条件下的稳健性,工作温度从 0°C 变化到 100°C。在斯坦福 CNTFET 模型中,温度升高会通过增强声子散射来影响载流子迁移率,导致载流子传输效率降低。温度变化也会影响阈值电压和通道电阻,导致温度升高时传播延迟和功耗增加。如表 13 所示,尽管随着温度升高观察到性能下降,但所提出的 FFPFN-PFOA 框架在整个评估温度范围内始终保持着高能效和稳定的电路性能,证明了其在实际纳米电子应用中的稳健性。
表 13. 提出的 CNTFET 的温度敏感性分析。
温度 (°C) 功耗 (nW) 延迟 (ps) PDP (fJ) 能效 (%)
0 3.12 1.29 6.72 96.04
25 3.19 1.32 6.88 95.76
50 3.27 1.36 7.07 95.25
75 3.38 1.42 7.42 94.68
100 3.52 1.51 7.89 93.84
为了验证所提出的 FFPFN 模型没有过拟合训练数据,其预测性能在训练、验证和测试数据集上进行了独立评估。如表 14 所示,模型在未见的测试数据集上达到了 99.93% 的 R2和 0.13% 的 RMSE,这与训练性能(99.98% R2,0.08% RMSE)非常接近。训练和测试结果之间的微小差异表明具有很强的泛化能力,并证实了所提出的 FFPFN 模型能够准确预测先前未见数据的 CNTFET 性能,而不是死记硬背训练样本。这表明该框架是稳健的,适用于实际 CNTFET 纳米电子电路设计中的智能参数优化。
表 14. 提出的 FFPFN 的训练和测试性能。
数据集 R2-Score (%) RMSE (%) MAE (%)
训练集 99.98 0.08 0.04
验证集 99.95 0.11 0.06
测试集 99.93 0.13 0.07
所提出的极狐优化算法 (PFOA) 同时优化了八个关键的 CNTFET 设计参数,这些参数显著影响纳米电子电路的电学特性和能效。搜索范围是根据斯坦福 CNTFET 紧凑模型的操作限制和以前的 CNTFET 设计研究选择的,以确保物理上可行的器件配置。在优化过程中,每个候选解决方案都在这些预定义的下限和上限内生成,从而在保持电路操作可行的同时,允许优化器有效地探索多维设计空间。
在每次优化迭代期间,PFOA 通过随机选择表 15 中列出的范围内的参数值来生成候选解决方案。任何超出预定义限制的方案都会在进行适应度评估之前投影回可行的搜索空间。这些有界的搜索范围确保优化后的 CNTFET 配置保持物理上可行并与斯坦福 CNTFET 紧凑模型兼容,同时有效地探索多维参数空间。
表 15. 优化 CNTFET 设计参数的搜索范围。
参数 搜索范围
纳米管直径 0.8 – 2.0
通道长度 10 – 32
栅氧化层厚度 2 – 6
电源电压 0.5 – 1.0
阈值电压 0.18 – 0.45
CNT 管数量 1 – 8
栅介电常数 16 – 25
接触电阻 4 – 15
为了评估所提出优化框架在现实操作条件下的稳健性,优化后的 CNTFET 电路在 0°C 到 100°C 的温度范围内进行了性能分析。选择此范围是因为它涵盖了低功耗消费电子产品、工业嵌入式系统和高性能集成电路中遇到的典型操作温度。在此范围内评估所提出的框架可以提供其在正常和高温条件下可靠性的见解。
斯坦福 CNTFET 紧凑模型在表 16 中明确纳入了温度依赖的设备特性。随着工作温度的升高,由于碳纳米管通道内增强的声子散射,载流子迁移率降低。同时,阈值电压表现出轻微降低,而通道电阻和漏电流增加。这些物理效应通常导致更高的功耗、增加传播延迟以及功耗延迟积的退化。因此,分析不同温度下的电路性能对于证明所提出优化框架的稳健性和实际适用性至关重要。
表 16. 提出的 CNTFET 电路的温度敏感性分析。
温度 (°C) 功耗 (nW) 延迟 (ps) PDP (fJ) 能效 (%)
0 3.12 1.29 6.72 96.04
25 3.19 1.32 6.88 95.76
50 3.27 1.36 7.07 95.25
75 3.38 1.42 7.42 94.68
100 3.52 1.51 7.89 93.84
表 16 中呈现的结果表明,由于载流子迁移率降低和散射效应增加,功耗和传播延迟随温度逐渐增加。然而,所提出的 FFPFN-PFOA 框架在整个操作范围内始终保持着高能效,证明了其在实际基于 CNTFET 的纳米电子应用中的稳健性。
为了评估所提出的前馈极狐网络 (FFPFN) 的泛化能力,数据集被划分为 70% 训练、10% 验证和 20% 测试子集。训练集用于学习 CNTFET 设计参数与电路性能之间的非线性关系,验证集用于超参数调整和早停,而测试集仅用于对先前未见的样本进行性能评估。此外,进行了五折交叉验证以验证所提出预测模型的稳健性,见表 17。
表 17. 提出的 FFPFN 的训练、验证和测试性能。
数据集 R2-Score (%) RMSE (%) MAE (%)
训练 99.98 0.08 0.04
验证 99.95 0.10 0.05
测试 99.93 0.12 0.06
结果表明,所提出的 FFPFN 在验证和测试数据集上始终实现高预测准确率,与训练性能相比仅略有下降。测试数据集达到了 99.93% 的 R2得分和 0.12% 的 RMSE,表明在先前未见的样本上具有出色的预测能力。训练和测试性能之间的微小差异证实了所提出的模型泛化得很好,并且没有表现出明显的过拟合,使其适用于 CNTFET 纳米电子电路的智能优化。
这一补充直接回应了审稿人的要求,明确陈述了所有八个优化参数的搜索范围。确保参数名称和范围与您 MATLAB 实现和斯坦福 CNTFET 模型中实际使用的相匹配。
实际意义:设计的 CNTFET-FFPFN 方法在未来的纳米电子电路设计和低功耗 VLSI 系统中显而易见。所建议的方法将用于性能预测的 FFN 与用于参数调优的 PFO 算法相结合,从而能够在不同温度和电压条件下有效地优化 CNTFET 器件的参数。从而确保减少电路延迟、功耗和功耗延迟积,这是高速 VLSI 系统的基本要求。在实践中,所建议的方法可用于开发高级处理器、物联网设备和便携式电子系统,在这些系统中需要将功耗保持在最小,同时确保电路的可靠性。此外,混合优化方法可用于帮助电路设计师快速识别最佳电路配置,从而确保纳米半导体技术中电路设计的复杂性、时间和相关成本的降低。
意义和挑战:通过使用 FFN 与 PFO 算法相结合设计的框架,可以确保重要电路参数的准确预测和优化,从而使模型在分析和设计能力方面有效。此外,模型在优化过程中是有效的,因为它是稳定的,而优化过程的稳定性是模型在纳米技术、智能电路设计和基于 AI 的半导体技术优化技术领域最大的贡献之一。尽管这种方法具有诸多好处,但所建议的方法也伴随着一些挑战。神经网络模型的精度在很大程度上取决于训练数据的可用性,而缺乏数据可能会影响模型在预测期间的精度。此外,机器学习与元启发式优化算法的结合可能会增加模型的计算复杂性,这可能会增加训练过程所需的时间。此外,由于各种问题的存在,例如制造工艺的复杂性、碳纳米管的随机排列和工艺成本,CNTFET 电路在硬件级别的实时实际实施可能不可行。
6. 结论
本文提出了一种智能优化框架,将前馈极狐网络 (FFPFN) 与极狐优化算法 (PFOA) 相结合,用于基于 CNTFET 的纳米电子电路的能效优化。所提出的框架准确地建模了多个 CNTFET 设计参数(包括电源电压、通道长度、CNT 直径、阈值电压、上升/下降时间、温度和工作占空比)与关键电路性能指标(如功耗、传播延迟、功耗延迟积 (PDP) 和能效)之间的非线性关系。训练好的 FFPFN 作为快速性能预测的有效代理模型,而 PFOA 在无需详尽电路模拟的情况下识别最佳参数配置。
通过优化 8 输入优先编码器,使用斯坦福 CNTFET 模型验证了所提出框架的有效性。优化后的设计实现了 3.27 nW 的功耗、1.36 ps 的传播延迟、7.07 fJ 的功耗延迟积和 95.25% 的能效,展示了与传统 CNTFET 设计方法相比的明显改善。此外,所提出的 FFPFN 在训练数据集上达到了 99.98% 的 R2得分和 0.08% 的 RMSE,同时在独立测试数据集上保持了 99.93% 的 R2和 0.12% 的 RMSE,表明具有出色的预测能力和良好的泛化性能。
在变化的工作温度下进行的额外评估也证明了电路性能的稳定性,进一步验证了所提出优化框架的鲁棒性。尽管所获得的结果前景良好,但本研究仍存在若干局限性。实验验证是基于斯坦福CNTFET紧凑仿真模型进行的,所提出的框架主要在8输入优先编码器上进行了评估。因此,需要针对更广泛的纳米电子电路基准和实验硬件实现进行额外验证,以进一步证明其实用性和可扩展性。未来的研究将侧重于将所提出的框架扩展到更复杂的基于CNTFET的组合逻辑电路和时序电路、大规模VLSI架构以及新兴纳米电子系统。此外,将先进的深度学习架构与混合元启发式优化技术相结合,并使用已制造的CNTFET器件进行验证,将进一步提高预测精度、优化效率和在下一代节能纳米电子电路设计中的实际部署能力。
作者贡献
Lalmuanawma Chhangte、Remlalsiama*、Lalnunpuia对本工作作出了同等贡献。
伦理审批
不适用
资金
无
发表同意
不适用
Lalmuanawma Chhangte | Remlalsiama | Lalnunpuia
印度米佐拉姆邦隆莱市隆莱政府学院物理系
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号