Systematic way of sizing the current conveyor to meet the desired specifications

Abstract

Bu tezde Pekiştirmeli Öğrenme hızlı prototip geliştirme çatısı RELIC tanıtılmıştır. Sonrasında analog tümleşik devrelerin boyutlandırılması için Markov Karar Süreci modellemesi sunulmuştur. Son olarak, politika gradyanlı Pekiştirmeli Öğrenme ajanına üç farklı Akım Taşıyıcı topolojisi verilip gerekli fonksiyonel ve bant genişliği özelliklerini sağlayan transistör kanal genişliklerini bulma görevi verilmiştir. Pekiştirmeli Öğrenme ajanı Akım Taşıyıcıları boyutlandırmayı öğrenip kabul edilebilir hassasiyette istenen özellikleri veren transistör kanal genişliklerini bulabilmiştir.In this thesis, the Reinforcement Learning rapid prototyping framework RELIC is introduced. After that, the modelling of the Markov Decision Process for analog integrated circuit sizing is presented. Lastly, three different Current Conveyor topologies are given to the policy gradient Reinforcement Learning agent to find the transistor widths in order to reach the proper functionality and bandwidth specifications. The Reinforcement Learning agent was able to learn how to size the Current Conveyors and it found the channel widths of transistors at a tolerable accuracy.