基于迁移学习的多PVT条件下ADC系统的高效优化设计方法

《IEEE Transactions on Very Large Scale Integration (VLSI) Systems》：A High-Efficiency Optimization Design Method for ADC System Under Multiple PVT Conditions via Transfer Learning

　　

摘要：

模拟-to-数字转换器（ADC）系统的设计在很大程度上依赖于经验，其性能易受外部环境变化的影响。本研究提出了一种基于迁移学习的高效优化设计方法。通过训练高精度的卷积神经网络（CNN）-IC模型来描述设计参数与性能指标之间的关系。利用CNN-IC模型提取的电路特征，提出了一种迁移方案，能够在不同的工艺、电压和温度条件下，仅使用少量样本即可构建高精度的CNN-IC模型。所有迁移模型的拟合精度可超过99%，且所需数据量仅为原始数据的10%。研究还建立了包含性能指标和PVT设计规格的优化函数，进而采用约束粒子群优化算法，在多种PVT条件下高效优化设计参数。选取了ADC系统中的三个关键电路进行优化，包括两级米勒补偿运算放大器、带隙参考电路以及逐次逼近寄存器ADC电路。优化后，这三个电路的运行时间分别仅为215秒、341秒和549秒。其优化后的功耗分别为56.22μW、159μW和1.45毫瓦，同时在不同的PVT条件下，所有性能指标均能满足设计要求。与先进的基于模型的方法相比，该方法的训练数据量至少可减少2.3倍、3倍和3倍。因此，所提出的方法能有效降低仿真成本，加快设计流程。