Efficient on-chip machine learning applied to self-learning analog and mixed signal circuits

Rivera Corullón, David (2018). Efficient on-chip machine learning applied to self-learning analog and mixed signal circuits. Thesis (Master thesis), E.T.S.I. Industriales (UPM).

Description

Title: Efficient on-chip machine learning applied to self-learning analog and mixed signal circuits
Author/s:
  • Rivera Corullón, David
Contributor/s:
  • Barrientos Cruz, Antonio
  • Andraud, Martin
  • Verhelst, Marian
Item Type: Thesis (Master thesis)
Masters title: Ingeniería Industrial
Date: 2018
Subjects:
Faculty: E.T.S.I. Industriales (UPM)
Department: Automática, Ingeniería Eléctrica y Electrónica e Informática Industrial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img] PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (3MB)

Abstract

En este proyecto se han explorado nuevas soluciones para el desarrollo de estrategias de adaptación en circuitos analógicos y de radio-frecuencia integrados. En particular, se han estudiado herramientas que permitan implementar algoritmos adaptativos en contextos de severas restrictiones de recursos y consumo. Estas condiciones se presentan en multitud de aplicaciones y sectores que son objeto de intenso interés hoy en día, tales como el Internet de las Cosas (IoT en sus siglas en inglés), redes de sensores inalámbricos o dispositivos personales inteligentes (wearables en inglés). Un sistema diseñado para estas aplicaciones debe hacer frente a un entorno con un carácter marcadamente variable manteniendo unas especificaciones de trabajo muy estrictas, sometidos a unas limitaciones de recursos cada vez más exigentes. En este contexto, se pone de relieve la necesidad de desarrollar estrategias basadas en algoritmos de adaptación al medio que permitan optimizar al máximo los recursos desplegados sin perder calidad en el desempeño del sistema. Estos procedimientos permiten a un sistema dado monitorizar las condiciones de operación en cada momento y configurar de forma acorde sus parámetros de funcionamiento. El desarrollo de estrategias adaptativas de este tipo puede ser considerado desde dos puntos de vista radicalmente opuestos, que definen el tradeooff o compromiso fundamental en base al cual este trabajo encuentra su motivación: -Obtener, previo al despliegue del sistema, la configuración óptima de parámetros para una serie de contextos de operación predefinidos. Durante la operación del sistema, dichos contextos son identificados y los ajustes precalculados son seleccionados de forma acorde. Esta estrategia requiere muy pocos recursos dedicados en el sistema en sí, puesto que el proceso de optimización y cálculo se ha realizado externamente. Sin embargo, ofrece un grado de adaptación limitado al rango de condiciones considerado en el modelo off-line. - Para obtener un grado de adaptabilidad elevado, la configuración requerida debe ser calculada sobre la marcha, conforme se hayan medido las condiciones de trabajo. De esta forma, la labor de cálculo se realiza on-line, lo que elimina las limitaciones de un modelo obtenido a priori, ya que éste se construye conforme el agente evoluciona en el medio. No obstante, el sistema requiere mayores recursos y capacidad de cálculo. Del análisis de la literatura disponible se desprende que este tradeoff no ha sido suficientemente explorado en las soluciones propuestas. Existen multitud de estrategias que pueden asociarse con facilidad a uno u otro extremo de esta escala, pero escasas alternativas han abordado enfoques de compromiso. En este contexto, este proyecto tiene como objetivo estudiar y proponer nuevos enfoques que ofrezcan un grado de adaptabilidad elevado en sistemas con estrictas restricciones de recursos y consumo. En consonancia con esa búsqueda de adaptabilidad y eficiencia combinados, se considerarán metodologías de Machine Learning (ML), pero tratando de mantener un enfoque lo más simple posible. En particular, se utilizará la técnica de Aprendizaje por Refuerzo (Reinforcement Learning, RL en inglés), puesto que integra ciertos principios de ML dentro de una estructura realmente simple basada en un esquema de autoaprendizaje por ensayo y error. De esta forma, constituye una técnica que permite analizar los principios del aprendizaje automático a bajo nivel, ofreciendo una flexibilidad y control en el diseño del algoritmo muy interesante.

More information

Item ID: 54506
DC Identifier: http://oa.upm.es/54506/
OAI Identifier: oai:oa.upm.es:54506
Deposited by: Biblioteca ETSI Industriales
Deposited on: 02 Apr 2019 05:44
Last Modified: 01 Jun 2019 22:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM