طراحی یک تقویت کننده عملیاتی دو طبقه با استفاده از شبکه عصبی مصنوعی

طراحی مدارهای مجتمع آنالوگ با پیچیدگی بالا، نیازمند انتخاب مناسب پارامترهای مختلف طراحی مثل نسبت عرض به طول کانال، مقدار خازن جبران و خازن بار است، به نحوی که در اثر این تغییرات، پارامترهای مطلوب کاربران مانند بهره ، پهنای باند، توان مصرفی و حاشیه فاز، بهبود یابد. با توجه به کارهای انجام شده در این زمینه، در این مقاله یک تقویت کننده عملیاتی دو طبقه با زوج ورودی پی موس (pmos) و جبران ساز میلر، به کمک یک شبکه عصبی مصنوعی طراحی شده است. داده های ورودی شبکه عصبی، چهار پارامتر عملکرد مداری یعنی بهره فرکانس پایین، پهنای باند، توان مصرفی و حاشیه فاز است و در خروجی، مقدار عرض و طول کانال ترانزیستورها، منبع جریان مرجع، خازن جبران و خازن بار حاصل می شود. در این طراحی، از روش نمونه برداری مبتنی بر شبیه سازی های موازی اچ-اسپایس برای گردآوری داده از فضای 15 بعدی طراحی استفاده شده است که منجر به سادگی و خودکارسازی فرایند تهیه مجموعه داده های آموزشی و کاهش زمان نمونه برداری شده است و سپس این داده ها برای آموزش مدل عصبی استفاده شده اند. در مرحله بعد، از روش نمونه برداری بازه ای برای ایجاد طراحی های جدیدی از مدل عصبی آموزش دیده، بهره گرفته شده که باعث سهولت فرایند طراحی شده است و امکان انجام انواع مصالحه مورد نظر کاربر بین پارامترهای عملکرد مختلف تقویت کننده را فراهم کرده است. همچنین اگر ضریب شایستگی (fom) از تقسیم حاصل ضرب پهنای باند واحد در خازن بار به توان مصرفی به دست آید، مقایسه طراحی های حاصل شده از روش ارائه شده در این مقاله، با برخی از روش های به کار رفته برای طراحی تقویت کننده ها ی عملیاتی با ساختار مشابه در مطالعات قبلی، نشان می دهد که این پارامتر، حداقل 154 درصد افزایش یافته است.

design of a two-stage operational amplifier using artificial neural network

design of complex analog integrated circuits requires the appropriate choice of various design parameters such as mosfet rsquo;s aspect ratio, compensation capacitance and load capacitance in a way that improves user rsquo;s desired parameters like gain, bandwidth, power dissipation and phase margin. considering previous works, in this paper, a two-stage miller compensated operational amplifier with pmos input pair is designed using artificial neural network. the inputs of the neural network are design parameters including dc gain, bandwidth, power dissipation and phase margin and in its output, the sizing of transistors and the amounts of reference current supply, compensation capacitance and load capacitance are acquired. in this design method, a sampling method based on parallel hspice simulations is employed for data acquisition from the 15-dimensional design space which results in simplicity and automation of the dataset collecting procedure and reduces the total sampling time and then this data is used for training the neural network model. in the next stage, a range sampling method is applied for making new designs from the trained model which has facilitated the design procedure and made the user-desired tradeoffs between different performance parameters of the operational amplifier possible. moreover, if the amplifier performance figure of merit (fom) is defined as the result of the multiplication of unity gain bandwidth and load capacitance divided by power consumption, the comparison between obtained designs of this paper rsquo;s proposed method and the results of some other methods applied for designing operational amplifiers with relatively similar topologies in previous works, indicates that this parameter has increased by 154% at the minimum.