针对VCO-ADC模拟线性化的机器学习变体意识协同设计
《IEEE Open Journal of Circuits and Systems》:Machine-Learning Variation-Aware Co-Design for Analog Linearization of VCO-ADCs
【字体:
大
中
小
】
时间:2026年04月28日
来源:IEEE Open Journal of Circuits and Systems 2.4
编辑推荐:
摘要:本文介绍了一个基于机器学习(ML)的协同设计与优化框架,用于开环模拟线性化电压控制振荡器-模数转换器(VCO-ADC),特别是在低电源电压(VDD)工作环境下。该框架在一个新的耦合振荡器集合(COE)电路架构上进行了验证。由于VCO的嵌入式线性化调节“旋钮”涉及的高维优化空
摘要:
本文介绍了一个基于机器学习(ML)的协同设计与优化框架,用于开环模拟线性化电压控制振荡器-模数转换器(VCO-ADC),特别是在低电源电压(VDD)工作环境下。该框架在一个新的耦合振荡器集合(COE)电路架构上进行了验证。由于VCO的嵌入式线性化调节“旋钮”涉及的高维优化空间,导致传统的晶体管级搜索方法变得不可行。为了解决这个问题,研究人员在一组紧凑的晶体管级瞬态仿真数据上训练了一个深度神经网络(DNN)作为替代模型,这些仿真数据能够捕捉COE的电压-频率特性。该替代模型使得快速探索庞大的调节参数空间成为可能,并引导进化遗传算法(GA)找到能够优化谐波失真(HD)的配置。为了进一步提高HD预测的鲁棒性并充分考虑VDD变化的影响,该框架整合了先进的ML技术:蒙特卡洛(MC)扰动GA优化提高了对参数不确定性的适应能力;而由专家级VDD特定基础模型与混合编码器-组合器元学习器结合而成的堆叠集成替代网络则实现了精确的VDD感知预测。最终优化的调节参数设置被传输到Cadence仿真环境中,对VCO-ADC进行了晶体管级验证,成功实现了平均三阶谐波失真(HD)低于55 dB的效果。即使在0.4—0.6 V的宽电源电压范围内(VDD变化幅度约为40%),通过DNN的动态编程功能,HD指标仍保持在50 dB以上。
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