Predição da caracterização elétrica de circuitos com algoritmos de aprendizado de máquina

Com o avanço da tecnologia de fabricação de circuitos integrados, cada vez mais parâmetros devem ser considerados durante a caracterização elétrica de circuitos para solucionar desafios como os de efeito de variabilidade do processo. Consequentemente, aumenta-se o tempo de caracterização devido às tradicionais técnicas baseadas em simulações elétricas exaustivas. A adoção de técnicas de aprendizado de máquina está sendo aplicada nas ferramentas do fluxo de projeto digital em muitos níveis de abstração, entretanto até o momento ainda não está sendo adotada na caracterização elétrica de portas lógicas, principalmente considerando os desafios de tecnologias nanométricas. Portanto, o objetivo principal desta pesquisa é avaliar algoritmos de regressão de aprendizado de máquina (regressão linear múltipla, máquina de vetores de suporte, árvores de decisão e floresta aleatória) como alternativa à simulação elétrica exaustiva no projeto de caracterização de células. Este projeto adota um primeiro estudo de caso: a caracterização elétrica de um inversor usando a tecnologia CMOS. Especificamente, este trabalho irá prever separadamente os valores da energia e os tempos de propagação desse circuito. Uma análise comparativa é feita entre os modelos para cada uma dessas variáveis, a fim de entender qual é o melhor modelo de regressão para a tarefa. O algoritmo com a função de custo menor, ou seja, menor erro quadrático médio, provou ser a floresta aleatória para todas as variáveis preditas. Os resultados iniciais deste trabalho foram publicados em uma conferência regional e os resultados finais serão submetidos a uma conferência internacional. A continuidade do trabalho prevê explorar redes neurais na predição do comportamento elétrico, outros circuitos e outras tecnologias de fabricação de circuitos integrados