A conception methodology for analog systems : use of the set inversion

Le pilotage de systèmes extrêmement complexes requiert de fortes puissances de traitement de l’information. En ce sens, les architectures analogiques peuvent offrir des solutions intéressantes et innovantes qui minimisent le rapport énergie/capacité de traitement. Une des alternatives au traitement efficace d’une grande masse de données est l’implémentation de réseaux de neurones artificiels analogiques. Leur mise en oeuvre est complexe et pose des problèmes méthodologiques certains aux concepteurs, qui préfèrent renoncer à affronter la difficulté pour être certains de tenir leur « time-to-market ». Le choix d'une architecture électronique adaptée aux réseaux de neurones analogiques est alors déterminant. Une analyse exploratoire basée sur les méthodes ensemblistes est présentée afin d’évaluer rapidement la faisabilité de solutions architecturales. Par cette analyse, on cherche à satisfaire toutes les contraintes, qu’elles soient fonctionnelles (objectifs fixés sur les performances d'un circuit) ou techniques (géométrie des composants, limitation d’un courant de polarisation), en agissant sur les ajustements (quantités réglables sous le contrôle du concepteur) ; c’est–à-dire à satisfaire un problème sous contraintes (CSP) qui s'exprime comme un problème inverse. Un algorithme d'inversion ensembliste retourne un sous-espace d'ajustements à partir duquel un sous-espace de robustesse est ensuite construit en tenant compte des phénomènes de variabilités liés au processus de conception. De ce sous-espace est extrait un point d'ajustement nominal accompagné d'une marge de robustesse qui servira de facteur de qualité afin de désigner la topologie la plus adaptée.Controlling highly complex systems needs to set up powerful computing architectures. Analog hardware architecture can lead to attractive and innovative solutions by minimizing the energy consumption/computing capacity ratio. As a result, analog neural networks have raised interest due to their capability to process huge sets of data. Building neural networks can be very difficult and induce methodology problems for a designer, who will often abandon the idea in order to be sure to meet time-to-market constraints. Picking the adequate electronic architecture thus becomes crucial in the neural network design. A space exploration based on the theory of sets is presented here, which allows for a quick evaluation of the feasibility of architecture solutions. This analysis aims at satisfying all functional (performance-oriented specifications) or technical constraints (geometry of a transistor, bias current) by adjusting some factors/variables (adjustable quantities set under control of the designer). This task means resolving a constraint satisfaction problem (CSP) which can be expressed as an inverse problem. A set inversion algorithm is used to return an adjustment subspace from which a robust sub-space is built by taking into account all possible variability effects associated with the manufacturing process. Finally, an adjustment point is extracted from the robust sub-space which is associated with a tolerance gap. This tolerance gap can be used as a quality factor to select the suitable topology