GABP算法构建高精度CMOS电压自举采样开关性能预测模型

摘要

模拟集成电路中器件的设计参数与性能指标具有非线性映射关系,同时繁复的设计参数相互制约,使模拟IC满足应用约束下的折中设计极为复杂,电路研发耗时费力。基于自适应学习的神经网络算法能够建立具有非线性映射关系的预测模型,同时具有宽解空间和易获取全局最优解的遗传算法可进一步弥补建模和求解的精度。采用BP神经网络结合遗传算法(GABP)的复合优化框架对CMOS电压自举采样开关的设计参数和性能指标进行精准建模并优化整体电路性能,建模结果与单BP神经网络模型进行了对比,结果表明,GABP复合建模精度高于BP神经网络,拟合相关度从0.73007有效提升到0.94596,模型可靠性有大幅提高,证明了GABP复合优化可有效应用于电路性能的高效预测和辅助优化设计。