Diseño de amplificadores operacionales CMOS usando redes neuronales
El diseño de circuitos integrados analógicos, como los amplificadores operacionales, requiere significativamente más tiempo y esfuerzo que el diseño de circuitos digitales debido a su complejidad y a la falta de automatización en su proceso de desarrollo. Esto crea la necesidad de estrategias que si...
- Autores:
-
Ferro Durán, Silvana
Muñoz Cufiño, Sergio Andrés
- Tipo de recurso:
- https://purl.org/coar/resource_type/c_7a1f
- Fecha de publicación:
- 2024
- Institución:
- Universidad El Bosque
- Repositorio:
- Repositorio U. El Bosque
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unbosque.edu.co:20.500.12495/14588
- Acceso en línea:
- https://hdl.handle.net/20.500.12495/14588
- Palabra clave:
- Amplificador operacional
Redes neuronales
Cascodo telescópico
Cascodo doblado
Parámetros de desempeño
621.381
Operational amplifier
Neural networks
Telescopic cascode
Folded cascode
Performance parameters
- Rights
- License
- Attribution-NonCommercial-ShareAlike 4.0 International
id |
UNBOSQUE2_a95a2ad5b54e753fe6991f1a3cfa49f0 |
---|---|
oai_identifier_str |
oai:repositorio.unbosque.edu.co:20.500.12495/14588 |
network_acronym_str |
UNBOSQUE2 |
network_name_str |
Repositorio U. El Bosque |
repository_id_str |
|
dc.title.none.fl_str_mv |
Diseño de amplificadores operacionales CMOS usando redes neuronales |
dc.title.translated.none.fl_str_mv |
CMOS operational amplifier design using neural networks |
title |
Diseño de amplificadores operacionales CMOS usando redes neuronales |
spellingShingle |
Diseño de amplificadores operacionales CMOS usando redes neuronales Amplificador operacional Redes neuronales Cascodo telescópico Cascodo doblado Parámetros de desempeño 621.381 Operational amplifier Neural networks Telescopic cascode Folded cascode Performance parameters |
title_short |
Diseño de amplificadores operacionales CMOS usando redes neuronales |
title_full |
Diseño de amplificadores operacionales CMOS usando redes neuronales |
title_fullStr |
Diseño de amplificadores operacionales CMOS usando redes neuronales |
title_full_unstemmed |
Diseño de amplificadores operacionales CMOS usando redes neuronales |
title_sort |
Diseño de amplificadores operacionales CMOS usando redes neuronales |
dc.creator.fl_str_mv |
Ferro Durán, Silvana Muñoz Cufiño, Sergio Andrés |
dc.contributor.advisor.none.fl_str_mv |
Chaparro Moreno, Sergio Andrés |
dc.contributor.author.none.fl_str_mv |
Ferro Durán, Silvana Muñoz Cufiño, Sergio Andrés |
dc.subject.none.fl_str_mv |
Amplificador operacional Redes neuronales Cascodo telescópico Cascodo doblado Parámetros de desempeño |
topic |
Amplificador operacional Redes neuronales Cascodo telescópico Cascodo doblado Parámetros de desempeño 621.381 Operational amplifier Neural networks Telescopic cascode Folded cascode Performance parameters |
dc.subject.ddc.none.fl_str_mv |
621.381 |
dc.subject.keywords.none.fl_str_mv |
Operational amplifier Neural networks Telescopic cascode Folded cascode Performance parameters |
description |
El diseño de circuitos integrados analógicos, como los amplificadores operacionales, requiere significativamente más tiempo y esfuerzo que el diseño de circuitos digitales debido a su complejidad y a la falta de automatización en su proceso de desarrollo. Esto crea la necesidad de estrategias que simplifiquen y optimicen el diseño de amplificadores, facilitando la selección de múltiples parámetros interdependientes. En este trabajo se propone un enfoque para el diseño de amplificadores operacionales CMOS mediante redes neuronales, aplicándolo a dos topologías específicas: el amplificador operacional cascodo telescópico y el amplificador operacional cascodo doblado. Enmarcado en el área de la microelectrónica, el proyecto culmina con el layout de uno de los diseños generados por la red neuronal para el amplificador cascodo telescópico. Durante el desarrollo, se emplearon tres conjuntos de datos para entrenar la red neuronal, permitiendo comparar el rendimiento al utilizar parámetros de desempeño tanto lineales como logarítmicos. Los resultados muestran que los parámetros lineales ofrecen mejores resultados en términos de menor error, en comparación con los logarítmicos, para métricas como el CMRR, el PSRR y la ganancia. |
publishDate |
2024 |
dc.date.issued.none.fl_str_mv |
2024-11 |
dc.date.accessioned.none.fl_str_mv |
2025-06-07T17:43:24Z |
dc.date.available.none.fl_str_mv |
2025-06-07T17:43:24Z |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
dc.type.coar.none.fl_str_mv |
https://purl.org/coar/resource_type/c_7a1f |
dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.coarversion.none.fl_str_mv |
https://purl.org/coar/version/c_ab4af688f83e57aa |
format |
https://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12495/14588 |
dc.identifier.instname.spa.fl_str_mv |
instname:Universidad El Bosque |
dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad El Bosque |
dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.unbosque.edu.co |
url |
https://hdl.handle.net/20.500.12495/14588 |
identifier_str_mv |
instname:Universidad El Bosque reponame:Repositorio Institucional Universidad El Bosque repourl:https://repositorio.unbosque.edu.co |
dc.language.iso.fl_str_mv |
spa |
language |
spa |
dc.relation.references.none.fl_str_mv |
[1] D. Lee, G. Park, J. Han, y M.-S. Choo, “An Automated Design Methodology for Ring Voltage-Controlled Oscillators in Nanometer CMOS Technologies”, IEEE Access, vol. PP, p. 1, ago. 2022, doi: 10.1109/ACCESS.2022.3232960. [2] D. J. D. and H. N. C. G. and M. R. M. F. and L. N. C. C. Rosa João P. S. and Guerra,“Introduction”, en Using Artificial Neural Networks for Analog Integrated Circuit Design Automation, Cham: Springer International Publishing, 2020, pp. 1–8. doi: 10.1007/978-3-030-35743-6_1. [3] R. P. DÍez, A. G. Gómez, y N. de Abajo MartÍnez, Introducción a la inteligencia artificial: sistemas expertos, redes neuronales artificiales y computación evolutiva. Universidad de oviedo, 2001. [4] M. E. Yanık, İ. Çiçek, y E. Afacan, “ShortCircuit: An Open-Source ChatGPT Driven Digital Integrated Circuit Front-End Design Automation Tool”, en 2023 30th IEEE International Conference on Electronics, Circuits and Systems (ICECS), 2023, pp. 1– 4. doi: 10.1109/ICECS58634.2023.10382808. [5] Sedra, Microelectronic Circuits 7th Edition. Oxford University Press, USA, 2014. [6] D. J. Cabrera y J. A. OLIVEROS, “Aplicación de la Programación Geométrica en el Diseno de Amplificadores Operacionales Integrados en Tecnologa CMOS”, Trabalho de formatura da Universidad Industrial de Santander:[sn], 2006. [7] N. Lourenço, R. Martins, y N. Horta, Automatic Analog IC Sizing and Optimization Constrained with PVT Corners and Layout Effects. Cham: Springer International Publishing, 2017. doi: 10.1007/978-3-319-42037-0. [8] B. Razavi, Design of Analog CMOS Integrated Circuits. 2016. [9] V. Terragni, C. Watson, N. Rowe, y N. Giacaman, “Fostering Professionalism in Software Engineering: An Early-Exposure Approach”, IEEE Softw, vol. 40, núm. 6, pp. 47–54, nov. 2023, doi: 10.1109/MS.2023.3291711. [10] S. S. Haykin, Neural Networks and Learning Machines. Pearson Education, 2009. [11] I. Goodfellow, Y. Bengio, y A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016. [12] D. P. Kingma y J. Ba, “Adam: A Method for Stochastic Optimization”, 2017. [En línea]. Disponible en: https://arxiv.org/abs/1412.6980 [13] V. Nair y G. E. Hinton, “Rectified linear units improve restricted Boltzmann machines”, International Conference on Machine Learning, pp. 807–814, ago. 2010, [En línea]. Disponible en: https://icml.cc/Conferences/2010/papers/432.pdf [14] D. Misra, “Mish: A Self Regularized Non-Monotonic Activation Function”, 2020. [En línea]. Disponible en: https://arxiv.org/abs/1908.08681 [15] A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2a ed. Sebastopol, CA, USA: O’Reilly Media, Inc., 2019. [16] B. Razavi, Fundamentals of microelectronics. 2006. [En línea]. Disponible en: http://ci.nii.ac.jp/ncid/BA90308765 [17] J. Zhou y J. Liu, “On the measurement of common-mode rejection ratio”, IEEE Transactions on Circuits and Systems II: Express Briefs, vol. 52, núm. 1, pp. 49–53, 2005, doi: 10.1109/TCSII.2004.838332. [18] J. Ke y X. Liu, “Empirical Analysis of Optimal Hidden Neurons in Neural Network Modeling for Stock Prediction”, en 2008 IEEE Pacific-Asia Workshop on Computational Intelligence and Industrial Application, IEEE, dic. 2008, pp. 828–832. doi: 10.1109/PACIIA.2008.363. |
dc.rights.en.fl_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
dc.rights.local.spa.fl_str_mv |
Acceso abierto |
dc.rights.accessrights.none.fl_str_mv |
https://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International http://creativecommons.org/licenses/by-nc-sa/4.0/ Acceso abierto https://purl.org/coar/access_right/c_abf2 http://purl.org/coar/access_right/c_abf2 |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.program.spa.fl_str_mv |
Ingeniería Electrónica |
dc.publisher.grantor.spa.fl_str_mv |
Universidad El Bosque |
dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
institution |
Universidad El Bosque |
bitstream.url.fl_str_mv |
https://repositorio.unbosque.edu.co/bitstreams/d9a0e365-a63b-4cf0-96d7-72df2843f867/download https://repositorio.unbosque.edu.co/bitstreams/d1044ef6-a99a-426b-85ef-c6eb4972e6d4/download https://repositorio.unbosque.edu.co/bitstreams/914ceb10-7f88-4cc5-a003-defa69254acc/download https://repositorio.unbosque.edu.co/bitstreams/71c92395-d183-4917-9dde-f6bccb18db6d/download https://repositorio.unbosque.edu.co/bitstreams/f345657c-c18f-449c-88cc-bf08243e4178/download https://repositorio.unbosque.edu.co/bitstreams/e9937c2a-763a-4b51-8e66-3c131197c3a2/download https://repositorio.unbosque.edu.co/bitstreams/d01cba3f-6a1a-4dcc-b41e-8ad51f9d408f/download |
bitstream.checksum.fl_str_mv |
17cc15b951e7cc6b3728a574117320f9 b07d008bc350e0ccc38cdef3d494b1fc eb3ac76e8838191067dc6d51487ea604 6d1caf01a01abee4f1cd61954af82c79 5643bfd9bcf29d560eeec56d584edaa9 40b2c0880405ef6c6813dc03296fe5a5 b6d755f3dc56c592129b2b03e2a71bd6 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional Universidad El Bosque |
repository.mail.fl_str_mv |
bibliotecas@biteca.com |
_version_ |
1836752066937094144 |
spelling |
Chaparro Moreno, Sergio AndrésFerro Durán, SilvanaMuñoz Cufiño, Sergio Andrés2025-06-07T17:43:24Z2025-06-07T17:43:24Z2024-11https://hdl.handle.net/20.500.12495/14588instname:Universidad El Bosquereponame:Repositorio Institucional Universidad El Bosquerepourl:https://repositorio.unbosque.edu.coEl diseño de circuitos integrados analógicos, como los amplificadores operacionales, requiere significativamente más tiempo y esfuerzo que el diseño de circuitos digitales debido a su complejidad y a la falta de automatización en su proceso de desarrollo. Esto crea la necesidad de estrategias que simplifiquen y optimicen el diseño de amplificadores, facilitando la selección de múltiples parámetros interdependientes. En este trabajo se propone un enfoque para el diseño de amplificadores operacionales CMOS mediante redes neuronales, aplicándolo a dos topologías específicas: el amplificador operacional cascodo telescópico y el amplificador operacional cascodo doblado. Enmarcado en el área de la microelectrónica, el proyecto culmina con el layout de uno de los diseños generados por la red neuronal para el amplificador cascodo telescópico. Durante el desarrollo, se emplearon tres conjuntos de datos para entrenar la red neuronal, permitiendo comparar el rendimiento al utilizar parámetros de desempeño tanto lineales como logarítmicos. Los resultados muestran que los parámetros lineales ofrecen mejores resultados en términos de menor error, en comparación con los logarítmicos, para métricas como el CMRR, el PSRR y la ganancia.Ingeniero ElectrónicoPregradoThe design of analog integrated circuits, such as operational amplifiers, demands significantly more time and effort than digital circuit design due to its complexity and the lack of automation in the development process. This creates a need for strategies that simplify and optimize amplifier design, facilitating the selection of multiple interdependent parameters. This project proposes an approach to designing CMOS operational amplifiers using neural networks, applied to two specific topologies: the telescopic cascodo operational amplifier and the folded cascodo operational amplifier. Framed within the field of microelectronics, the project culminates with the layout of one of the designs generated by the neural network for the telescopic cascodo amplifier. During the development, three datasets were used to train the neural network, allowing for performance comparisons between using linear and logarithmic performance parameters. The results show that linear parameters provide better outcomes in terms of lower error compared to logarithmic parameters, for metrics such as CMRR, PSRR, and gainapplication/pdfAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/Acceso abiertohttps://purl.org/coar/access_right/c_abf2http://purl.org/coar/access_right/c_abf2Amplificador operacionalRedes neuronalesCascodo telescópicoCascodo dobladoParámetros de desempeño621.381Operational amplifierNeural networksTelescopic cascodeFolded cascodePerformance parametersDiseño de amplificadores operacionales CMOS usando redes neuronalesCMOS operational amplifier design using neural networksIngeniería ElectrónicaUniversidad El BosqueFacultad de IngenieríaTesis/Trabajo de grado - Monografía - Pregradohttps://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesishttps://purl.org/coar/version/c_ab4af688f83e57aa[1] D. Lee, G. Park, J. Han, y M.-S. Choo, “An Automated Design Methodology for Ring Voltage-Controlled Oscillators in Nanometer CMOS Technologies”, IEEE Access, vol. PP, p. 1, ago. 2022, doi: 10.1109/ACCESS.2022.3232960.[2] D. J. D. and H. N. C. G. and M. R. M. F. and L. N. C. C. Rosa João P. S. and Guerra,“Introduction”, en Using Artificial Neural Networks for Analog Integrated Circuit Design Automation, Cham: Springer International Publishing, 2020, pp. 1–8. doi: 10.1007/978-3-030-35743-6_1.[3] R. P. DÍez, A. G. Gómez, y N. de Abajo MartÍnez, Introducción a la inteligencia artificial: sistemas expertos, redes neuronales artificiales y computación evolutiva. Universidad de oviedo, 2001.[4] M. E. Yanık, İ. Çiçek, y E. Afacan, “ShortCircuit: An Open-Source ChatGPT Driven Digital Integrated Circuit Front-End Design Automation Tool”, en 2023 30th IEEE International Conference on Electronics, Circuits and Systems (ICECS), 2023, pp. 1– 4. doi: 10.1109/ICECS58634.2023.10382808.[5] Sedra, Microelectronic Circuits 7th Edition. Oxford University Press, USA, 2014.[6] D. J. Cabrera y J. A. OLIVEROS, “Aplicación de la Programación Geométrica en el Diseno de Amplificadores Operacionales Integrados en Tecnologa CMOS”, Trabalho de formatura da Universidad Industrial de Santander:[sn], 2006.[7] N. Lourenço, R. Martins, y N. Horta, Automatic Analog IC Sizing and Optimization Constrained with PVT Corners and Layout Effects. Cham: Springer International Publishing, 2017. doi: 10.1007/978-3-319-42037-0.[8] B. Razavi, Design of Analog CMOS Integrated Circuits. 2016.[9] V. Terragni, C. Watson, N. Rowe, y N. Giacaman, “Fostering Professionalism in Software Engineering: An Early-Exposure Approach”, IEEE Softw, vol. 40, núm. 6, pp. 47–54, nov. 2023, doi: 10.1109/MS.2023.3291711.[10] S. S. Haykin, Neural Networks and Learning Machines. Pearson Education, 2009.[11] I. Goodfellow, Y. Bengio, y A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.[12] D. P. Kingma y J. Ba, “Adam: A Method for Stochastic Optimization”, 2017. [En línea]. Disponible en: https://arxiv.org/abs/1412.6980[13] V. Nair y G. E. Hinton, “Rectified linear units improve restricted Boltzmann machines”, International Conference on Machine Learning, pp. 807–814, ago. 2010, [En línea]. Disponible en: https://icml.cc/Conferences/2010/papers/432.pdf[14] D. Misra, “Mish: A Self Regularized Non-Monotonic Activation Function”, 2020. [En línea]. Disponible en: https://arxiv.org/abs/1908.08681[15] A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2a ed. Sebastopol, CA, USA: O’Reilly Media, Inc., 2019.[16] B. Razavi, Fundamentals of microelectronics. 2006. [En línea]. Disponible en: http://ci.nii.ac.jp/ncid/BA90308765[17] J. Zhou y J. Liu, “On the measurement of common-mode rejection ratio”, IEEE Transactions on Circuits and Systems II: Express Briefs, vol. 52, núm. 1, pp. 49–53, 2005, doi: 10.1109/TCSII.2004.838332.[18] J. Ke y X. Liu, “Empirical Analysis of Optimal Hidden Neurons in Neural Network Modeling for Stock Prediction”, en 2008 IEEE Pacific-Asia Workshop on Computational Intelligence and Industrial Application, IEEE, dic. 2008, pp. 828–832. doi: 10.1109/PACIIA.2008.363.spaLICENSElicense.txtlicense.txttext/plain; charset=utf-82000https://repositorio.unbosque.edu.co/bitstreams/d9a0e365-a63b-4cf0-96d7-72df2843f867/download17cc15b951e7cc6b3728a574117320f9MD52Carta de autorizacion.pdfapplication/pdf233719https://repositorio.unbosque.edu.co/bitstreams/d1044ef6-a99a-426b-85ef-c6eb4972e6d4/downloadb07d008bc350e0ccc38cdef3d494b1fcMD57Anexo 1 acta de aprobacion.pdfapplication/pdf525272https://repositorio.unbosque.edu.co/bitstreams/914ceb10-7f88-4cc5-a003-defa69254acc/downloadeb3ac76e8838191067dc6d51487ea604MD58ORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf2145342https://repositorio.unbosque.edu.co/bitstreams/71c92395-d183-4917-9dde-f6bccb18db6d/download6d1caf01a01abee4f1cd61954af82c79MD55CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81160https://repositorio.unbosque.edu.co/bitstreams/f345657c-c18f-449c-88cc-bf08243e4178/download5643bfd9bcf29d560eeec56d584edaa9MD56TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain102283https://repositorio.unbosque.edu.co/bitstreams/e9937c2a-763a-4b51-8e66-3c131197c3a2/download40b2c0880405ef6c6813dc03296fe5a5MD59THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg2724https://repositorio.unbosque.edu.co/bitstreams/d01cba3f-6a1a-4dcc-b41e-8ad51f9d408f/downloadb6d755f3dc56c592129b2b03e2a71bd6MD51020.500.12495/14588oai:repositorio.unbosque.edu.co:20.500.12495/145882025-06-08 05:03:30.098http://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalopen.accesshttps://repositorio.unbosque.edu.coRepositorio Institucional Universidad El Bosquebibliotecas@biteca.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 |