Geri Dön

Yapay sinir ağları ile elektronik devre tasarım otomasyonu ve performans optimizasyonuna yönelik yeni yaklaşımlar

Novel approaches to electronic circuit design automation and performance optimization using artificial neural networks

PDF İndir

  1. Tez No: 992243
  2. Yazar: FUNDA DAYLAK
  3. Danışmanlar: PROF. İSMAİL SERDAR ÖZOĞUZ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Son yıllarda elektronik devre tasarımında artan karmaşıklık, düşük güç tüketimi ve yüksek performans beklentileri, mühendisleri geleneksel yöntemlerin ötesinde yeni çözümler aramaya yöneltmiştir. Bu bağlamda yapay zeka, özellikle de yapay sinir ağları (YSA), devre tasarımı ve optimizasyon süreçlerinde güçlü bir alternatif olarak öne çıkmaktadır. YSA, karmaşık giriş–çıkış ilişkilerini öğrenebilme, doğrusal olmayan davranışları modelleyebilme ve tasarım sürecini hızlandırma kabiliyetleri sayesinde elektronik mühendisliği alanında giderek yaygınlaşan bir araç haline gelmiştir. Bu tezde, yapay sinir ağı tabanlı yöntemlerin elektronik devrelerdeki uygulanabilirliği elektronik devre tasarım otomasyonu ve RF güç kuvvetlendiricilerinin (PA) lineerleştirilmesi olmak üzere iki farklı odakta incelenmiştir. Elektronik devre tasarımında literatürde yer alan geleneksel yöntemler, tasarımcı tecrübesine yüksek oranda bağımlıdır ve çoğunlukla kapsamlı arama (brute-force) ile gerçekleştirilen geniş ölçekli parametre taramalarına dayanmaktadır. Bu yöntemler çoğu zaman yüksek hesaplama maliyetine sebep olmakta, tasarım sürecini uzatmakta ve mühendislik iş yükünü artırmaktadır. RF güç kuvvetlendiricileri tarafında ise tam optimize edilmemiş sabit katsayılı (açık çevrim) sayısal ön bozucu (DPD) yapıları yaygın olarak kullanılmakta ancak bunlar, frekansa bağlı doğrusal olmayan etkileri yeterince telafi edememekte ve özellikle geniş bantlı haberleşme uygulamalarında performans kayıplarına yol açmaktadır. Bununla birlikte, geri besleme (feedback) temelli sistemler, donanımsal karmaşıklık, ek gecikme (latency) ve kararlılık (stability) problemleri nedeniyle yüksek frekanslı uygulamalarda verimliliği azaltmakta ve sistem maliyetini artırmaktadır. Bu çalışmada önerilen yapay sinir ağı tabanlı yaklaşımlar, söz konusu zorlukları aşarak tasarım sürecinde yüksek doğruluk ve hız sağlamakta, RF güç kuvvetlendiricilerinde ise frekansa uyarlanabilir yapısıyla verimli bir doğrusallaştırma sunmaktadır. Tezin ilk bölümünde analog filtrelerin hedeflenen performans kriterlerini sağlayacak şekilde tasarım sürecinin otomasyonu üzerinde durulmuştur. Bu kapsamda geliştirilen YSA tabanlı model kullanılarak, belirli kesim frekansları için devre parametrelerini tahmin ederek hedeflenen dinamik aralık (DR) değerlerine ulaşmak amaçlanmıştır. Çalışmada 140 kHz, 150 kHz ve 160 kHz frekans noktaları ele alınmış, MATLAB ortamında geliştirilen model AWR simülasyonlarından elde edilen veri setiyle eğitilmiştir. YSA'nın tahmin performansı oldukça yüksek bulunmuş, genel doğruluk oranı %98.876 olarak elde edilmiştir. Parametre bazında incelendiğinde kondansatör değerlerinde %99.283 doğruluk oranına ulaşılmış, bias akımları için ise %96.548 ile %99.433 aralığında sonuçlar elde edilmiştir. Bu bulgular, klasik yöntemlerde uzun süren deneme–yanılma süreçlerini ortadan kaldırarak tasarım süresini ciddi ölçüde kısaltmıştır. Bu sayede YSA destekli tasarım otomasyonu, analog filtre tasarımı açısından güvenilir, hızlı ve etkili bir yöntem olarak ortaya çıkmıştır. Tezin ikinci kısmında, RF güç kuvvetlendiricilerinin doğrusal olmayan davranışlarını gidermeye yönelik frekansa uyarlamalı yapay sinir ağı tabanlı sayısal ön bozucu (NN-DPD) yöntemi geliştirilmiştir. Bu yöntem, farklı taşıyıcı frekanslarda tek bir modelin kullanılabilmesini mümkün kılarak hem esneklik hem de hesaplama maliyeti açısından önemli avantajlar sağlamaktadır. MATLAB tabanlı simülasyonlarla doğrulanan NN-DPD yöntemi, geleneksel sabit katsayılı DPD yapılarından daha iyi performans göstermiştir. Elde edilen bulgulara göre, 1.9 GHz'de normalleştirilmiş ortalama kare hata (NMSE) –38.87 dB seviyesinde gerçekleşmiş, test edilen tüm frekanslarda ise NMSE değeri –35.79 dB'in altında kalmıştır. Ayrıca 1.7 GHz'de PA'nın 1 dB sıkışma noktası DPD uygulanmadan önce –6.88 dBm iken, NN-DPD uygulaması sonrasında 7 dBm seviyesine yükselmiştir. Bu sonuçlar, önerilen yöntemin hem doğrusal hale getirme başarımını artırdığını hem de güç verimliliğine katkı sağladığını ortaya koymuştur. Elde edilen doğrusal çıkış sinyali, giriş–çıkış arasındaki faz farkının da belirgin ölçüde azaltıldığını göstermektedir. Bu tezin özgün katkıları iki başlık altında toplanabilir. Birincisi, analog filtre tasarımında yapay sinir ağlarının kullanılabilirliği gösterilmiş ve yüksek doğrulukla parametre tahminleri gerçekleştirilmiştir. Bu yaklaşım, klasik yöntemlere kıyasla büyük bir zaman tasarrufu sağlamış, mühendislik iş yükünü azaltmış ve tasarım sürecini daha sistematik hale getirmiştir. İkincisi, RF güç kuvvetlendiricileri için geliştirilen frekansa adaptif NN-DPD yöntemi, farklı frekans bantlarında aynı modelin kullanılabilmesi sayesinde pratik uygulanabilirlik sunmuş ve hesaplama maliyetini düşürmüştür. Sonuç olarak, bu tezde geliştirilen yapay sinir ağı tabanlı yöntemler elektronik devrelerde hem tasarım otomasyonu hem de RF güç kuvvetlendiricilerinin lineerleştirilmesi için güçlü bir çözüm sunmuştur. Elde edilen yüksek doğruluk oranları ve performans iyileştirmeleri, yapay zeka destekli elektronik tasarımın gelecekte daha yaygın ve etkin kullanılacağını göstermektedir. Bu kapsamda elde edilen bulgular, elektronik devre mühendisliğinde yapay zekanın mühendislik iş yükünü azaltarak doğruluk ve verimliliği artırma potansiyelini ortaya koymuştur. Ayrıca geliştirilen yöntemlerin daha karmaşık devre topolojilerine, geniş bantlı haberleşme uygulamalarına ve farklı yapay sinir ağı mimarilerine uyarlanması, gelecekte yapılacak araştırmalar için önemli bir yol haritası oluşturmaktadır.

Özet (Çeviri)

In recent years, the increasing complexity of electronic circuit design, along with the growing demand for low power consumption and high performance, has encouraged researchers to explore new approaches beyond traditional methods. In this context, artificial intelligence, particularly artificial neural networks (ANNs), has emerged as a powerful alternative in circuit design and optimization processes. Due to their ability to learn complex input–output relationships, model nonlinear behaviors, and accelerate design iterations, ANNs have become an increasingly valuable tool in electronic engineering. This thesis investigates the applicability of ANN-based techniques in two distinct domains: automated circuit design and the linearization of RF power amplifiers (PAs). Traditional EDA tools such as Cadence, LTspice, and AWR enable efficient circuit simulation and layout; however, the parameter tuning and optimization phases still rely heavily on the designer's expertise. As the number of design variables increases, exploring the vast and nonlinear design space becomes infeasible through manual iterations. This limitation has sparked significant interest in learning-based and data-driven methodologies that can predict, optimize, and generalize circuit behavior with reduced human intervention. In the literature, circuit design methods are predominantly based on analytical formulations or trial-and-error and parameter-sweeping techniques, which often struggle to balance key performance metrics such as dynamic range, distortion, and power consumption. Achieving near-optimum designs typically requires repeated simulations and heavy reliance on designer expertise, leading to increased computational cost, extended design time, and energy inefficiency. Although tunable or adaptive circuit architectures have been introduced to address parameter sensitivity, their flexibility is inherently constrained by additional hardware requirements. As modern analog and RF circuits become increasingly complex, conventional methods fail to efficiently explore large design spaces or capture nonlinear dependencies between circuit parameters and performance metrics. Consequently, data-driven methodologies, particularly artificial neural networks, have emerged as powerful tools capable of learning nonlinear input–output relationships, accelerating optimization, and automating circuit synthesis with minimal human intervention. Over the past two decades, various optimization techniques such as Genetic Algorithms (GA) and Particle Swarm Optimization (PSO) have been widely applied to analog design problems. While these techniques improved design efficiency compared to brute-force parameter sweeping, they still required extensive simulation iterations to reach convergence. More recently, learning-based approaches such as Artificial Neural Networks, Bayesian Optimization (BO), and Reinforcement Learning (RL) have demonstrated the ability to model nonlinear dependencies between circuit parameters and performance metrics, significantly accelerating design cycles. On the RF front, conventional digital predistortion (DPD) techniques typically employ fixed coefficients in an open-loop configuration. Although these methods can partially mitigate nonlinearities, they fail to effectively compensate for dynamic distortions that vary with frequency, temperature, or operating conditions. To address these limitations, feedback-based (closed-loop) linearization systems have been proposed, allowing real-time adaptation of the predistortion model. However, such architectures introduce additional hardware complexity, latency, and potential stability issues, which significantly reduce efficiency and increase implementation costs in high-frequency applications. This thesis comprises two independent studies based on artificial neural networks. The first focuses on automated circuit design, where ANNs are employed to achieve high accuracy and computational efficiency in determining optimal circuit parameters. The second focuses on the linearization of RF power amplifiers, proposing an adaptive, feedback-free ANN-based digital predistortion method that achieves effective linearization while reducing computational complexity through frequency-adaptive coefficient estimation. In the first part of the thesis, the automation of the circuit design process is targeted to ensure that circuits meet the desired performance criteria. For this purpose, an ANN-based model is developed to predict circuit parameters that achieve the target dynamic range (DR) values for specific cutoff frequencies. The model is trained using data obtained from AWR simulations and implemented in MATLAB. Three cutoff frequencies, 140 kHz, 150 kHz and 160 kHz, are considered during training and testing. The overall prediction accuracy reaches 98.876%, with capacitor value accuracy at 99.283% and bias current prediction accuracy ranging between 96.548% and 99.433%. These results demonstrate that the proposed ANN model significantly shortens the lengthy trial-and-error cycles of conventional design methods, reducing overall design time while improving consistency. Consequently, ANN-assisted design automation proves to be a reliable, fast, and effective approach for modern circuit engineering. In the second part of the study, a frequency-adaptive neural network digital predistortion (NN-DPD) method is developed to mitigate the nonlinear behavior of RF power amplifiers. The proposed model enables a single network to operate efficiently across different carrier frequencies, providing both flexibility and reduced computational cost. MATLAB-based simulations verify that the NN-DPD outperforms conventional fixed-coefficient DPD methods. The normalized mean square error (NMSE) is measured as –38.87 dB at 1.9 GHz and remains below –35.79 dB across all tested frequencies. Additionally, the 1 dB compression point of the PA improves from –6.88 dBm (without DPD) to 7 dBm (with NN-DPD). These results confirm that the proposed method enhances linearization performance and power efficiency, while also reducing the phase difference between the input and output signals. The original contributions of this thesis can be summarized in two main aspects. First, the usability of artificial neural networks in electronic circuit design is demonstrated, achieving high parameter prediction accuracy. This approach provides significant time savings compared to traditional methods, reduces engineering effort, and makes the design process more systematic. Second, the frequency-adaptive NN-DPD method developed for RF power amplifiers allows a single model to be used across different frequency bands, improving practical applicability while lowering computational complexity. The original contributions of this thesis can be summarized in two main aspects. First, the usability of artificial neural networks in electronic circuit design is demonstrated, achieving high parameter prediction accuracy. This approach provides significant time savings compared to traditional methods, reduces engineering effort, and makes the design process more systematic. Second, the frequency-adaptive NN-DPD method developed for RF power amplifiers allows a single model to be used across different frequency bands, improving practical applicability while lowering computational complexity. In conclusion, the ANN-based techniques developed in this thesis provide effective solutions for both circuit design automation and the linearization of RF power amplifiers. The achieved accuracy and performance improvements demonstrate that AI-assisted circuit design is becoming a key component of modern electronic engineering. The results reveal the potential of artificial intelligence to reduce engineering workload, improve accuracy, and enhance efficiency in electronic design. Moreover, extending these methods to more complex circuit topologies, broadband communication applications, and different neural network architectures provides a valuable direction for future research. In the long term, these findings may support the development of more autonomous and adaptive circuit design methodologies. The proposed approaches can also guide future studies on improving design generalization, reducing training time, and enhancing the robustness of ANN-based models under varying operating conditions. As circuit complexity continues to increase, the integration of artificial intelligence into electronic design automation (EDA) workflows is expected to play a transformative role, bridging the gap between traditional design experience and intelligent computational modeling. In this sense, the study contributes to shaping a new generation of efficient, knowledge-based, and adaptive analog and RF circuit design frameworks. In summary, this study shows that artificial intelligence can make circuit design faster, more accurate, and more efficient, leading toward smarter and more automated analog and RF systems in the future.

Benzer Tezler

  1. Tez No

    838732

    Artificial neural network-powered analog/RF circuit design automation

    Yapay sinir ağı destekli analog/RF devre tasarım otomasyonu

    ENES SAĞLICAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiGebze Teknik Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ENGİN AFACAN

  2. Tez No

    864179

    Energy modelling and applications of neural network accelerators

    Yapay sinir ağlarını hızlandırıcı devrelerin enerji tüketiminin modellenmesi ve uygulamaları

    BERKE AKGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN COŞKUN KARALAR

  3. Tez No

    414181

    Yapay sinir agları ile elektriksel sistemlerde aşırı akım kavramı için kontrol sistemleri tasarımı

    Control system design for prevention of overcurrent failures in electrical systems by using artificial neural networks

    SEZGİN SEZGİNER

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KAYHAN GÜLEZ

  4. Tez No

    658983

    PLC kontrollü indüksiyonlu ısıtma sistemleri için YSA ile farklı çalışma frekanslarında sıcaklığa bağlı endüktans değerinin tahmini

    Estimation of inductance depending to temperature at different operating frequencies with ann for PLC controlled induction heating system

    MEHMET TOPRAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiKaramanoğlu Mehmetbey Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. OSMAN BİLGİN

  5. Tez No

    309241

    Yapay sinir ağlarının otomatik olarak FPGA'ya uygulanması için veri yolu tasarım aracı

    A datapaths design tool for automatically mapping artificial neural network on to FPGA s

    NAMIK KEMAL SARITEKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Adli TıpDüzce Üniversitesi

    Elektrik Eğitimi Ana Bilim Dalı

    YRD. DOÇ. DR. İBRAHİM ŞAHİN

Geri Dön