Otimização de etapas do fluxo de síntese de circuitos integrados explorando técnicas de aprendizado de máquinas

Abstract

Com o avanço da tecnologia de fabricação de circuitos integrados, cada vez mais aspectos devem ser considerados durante a caracterização elétrica de circuitos a fim de solucionar desafios como os de efeito de variabilidade do processo. Isso aumenta o tempo de caracterização devido às tradicionais técnicas baseadas em simulações elétricas exaustivas. A adoção de técnicas de aprendizado de máquina já auxilia o projeto digital em muitos níveis de abstração. Assim, o objetivo principal desta pesquisa é avaliar os tipos de algoritmos de regressão de aprendizado de máquina que são utilizados na literatura como alternativa à simulação elétrica exaustiva durante o projeto de caracterização de células. Nesta etapa, foram identificados os algoritmos do estado da arte e as estratégias utilizadas para o treinamento deles. Resultados promissores foram identificados em redes neurais que utilizam de informações estruturadas por grafos (Graph neural networks) e redes que agregam informações sobre leis físicas nas suas camadas (Physics-informed neural networks). Uma análise crítica comparativa é feita para cada um dos modelos estudados, a fim de entender quais são as contrapartidas de cada um. A técnica que é de maior interesse e será explorada em trabalhos futuros será as redes neurais de grafos (Graph neural networks).