Modellazione comportamentale di circuiti digitali integrati con tecniche di apprendimento automatico = Behavioural Modelling of Digital Integrated Circuits via Machine Learning Techniques

Nel panorama contemporaneo dello sviluppo di sistemi elettrici ed elettronici di nuova generazione, la disponibilità di modelli computazionali per i circuiti digitali integrati (IC) svolge un ruolo chiave. Sin dalle prime fasi di progetto, le simulazioni numeriche a livello di sistema risultano infatti uno strumento imprescindibile per la valutazione di potenziali criticità e la messa in atto di azioni correttive prima dello sviluppo finale e della commercializzazione dei prodotti. Un esempio tipico riguarda i sistemi digitali ad alte prestazioni come i più recenti dispositivi mobili (smartphone) o elaboratori (notebook, workstation). In questo contesto, la complessità dei sistemi e la necessità di proteggere la proprietà intellettuale dei fornitori di circuiti integrati rendono impraticabili le descrizioni basate sulle caratteristiche fisiche del componente (es. modelli transistor level) che inoltre risulterebbero comunque inutilizzabili in un ambiente di simulazione in quanto eccessivamente onerosi, richiedendo tempi di simulazione lunghissimi. La creazione di modelli comportamentali, generati a partire dalla osservazione del comportamento dei dispositivi, emerge naturalmente come una possibile soluzione, introducendo il vantaggio aggiuntivo di semplificare la procedura di stima dei parametri dei modelli e consentendo di ottenere caratterizzazioni compatte, accurate ed efficienti. I modelli ottenuti possono essere impiegati in simulazioni analogiche del comportamento elettrico di porzioni critiche di interconnessioni per valutare la robustezza del progetto mediante valutazioni di deterioramento e integrità dei segnali trasmessi e ricevuti. Questa tesi parte da una analisi dello stato dell’arte che vede prevalentemente l’impiego di tecniche di modellazione basate su equivalenti circuitali o definite da strutture rigide di modello, fornendo successivamente una soluzione alternativa alla modellazione comportamentale di circuiti integrati mediante l’impiego di metodi a scatola nera. In specifico, ci si concentra su metodi recenti di apprendimento automatico e strutture di modello definite da regressioni del tipo Kernel Ridge Regression (KRR). Le strutture proposte offrono vantaggi in termini di generalità e capacità di modellazione del comportamento ricco delle dinamiche di questi dispositivi, superando molti del limiti noti di altri approcci quali quelli basati sulle reti neurali. Inoltre, è stato possibile progettare una procedura di stima dei modelli basata sulla osservazione del comportamento dei dispositivi quando questi operano in condizioni di funzionamento normale quando connessi ad alcuni carichi rappresentativi. I risultati ottenuti, basati sulla applicazione delle tecniche sviluppate a un dispositivo commerciale, dimostrano che i modelli KRR sono in gradi di catturare accuratamente le dinamiche dei circuiti di interesse, consentendo previsioni affidabili delle loro prestazioni in condizioni variabili di carico, offrendo un valido supporto ai progettisti di sistemi integrati per generare modelli per la simulazione circuitale che potranno essere impiegati per migliorare la robustezza del progetto. La tesi offre inoltre un ottimo punto di partenza per la sperimentazione delle tecniche di modellazione comportamentale studiate in altri contesti applicativi di interesse ingegneristico dove è necessario disporre di modelli computazionali accurati ed efficienti.