ELOS - Eficiente Learning-Driven Otimização na Síntese de Circuitos Integrados

Abstract

A caracterização elétrica de células é uma tarefa que demanda grande poder computacional. Muitas simulações elétricas são necessárias para a especificação o comportamento de uma célula considerando diferentes condições de operação, como variabilidade de processo e outros fatores nanométricos. Recentemente, modelos de machine learning têm sido explorados para acelerar o tempo de inferência do comportamento elétrico. Este trabalho apresenta a aplicação de redes neurais do tipo MLP (Multilayer Perceptron) regressoras para a caracterização elétrica de circuitos lógicos integrados, englobando desde a análise estatística dos datasets utilizados até o desenvolvimento do modelo preditivo. O projeto utiliza datasets públicos de duas tecnologias distintas de portas lógicas inversoras, 32 nm Bulk CMOS e 7 nm FinFET. O desenvolvimento desse trabalho envolveu dois eixos principais: Análise exploratória de dados e desenvolvimento do modelo proposto. A análise comparativa da MLP com outros modelos, como Árvores de Decisão e Floresta Aleatória, revelou que o modelo proposto apresentou-se como uma boa alternativa para mapear variâncias não-lineares de consumo de energia, com resultados comparáveis ao R2 do modelo de Floresta Aleatória e superando os resultados de Árvores de Decisão. O modelo proposto apresenta uma grande alternativa competitiva a técnicas tradicionais de caracterização de células. Esse trabalho teve artigos aceitos no Student Forum 2026 e no ICECS 2026 (IEEE International Conference on Electronics Circuits and Systems) na Grécia.