AI-Assisted Design of a Compact Voltage Monitoring System with a Millisecond-Delayed Fault Detection Circuit
Notice bibliographique
Résumé
Voltage monitoring systems (VMS) with delayed fault detection (DFD) are critical for ensuring safe operation of voltage-sensitive integrated circuits. Traditional design approaches for such analog systems are manual, requiring time-consuming repetitive interactions with simulators. While artificial intelligence (AI)-assisted design methods have emerged, they focus on the design of isolated circuits and do not show their coordinated performance in a full system. This paper introduces an AI-driven approach for the design of a VMS-DFD implemented in a 180 nm silicon-on-insulator (SOI) process. The proposed approach generated hundreds of specification-compliant solutions for the critical circuits in the VMS-DFD, namely a hysteric comparator, an op-amp-based reference voltage circuit, and a delay element, in a fraction of the time needed by the traditional approach. For the delay element, 100 valid solutions targeting a 1 ms delay were generated in 2.17 hours, compared to five weeks required for a single manual solution. The most area-efficient design yielded an 84% area reduction in the delay element resulting in a 22% system-level area saving. The AI-Assisted design of the comparator and op-amp required only 2.4 and 6 hours, respectively. The resulting circuits were integrated into a full VMS-DFD, demonstrating stable system performance across process, voltage, and temperature (PVT) corners, achieving better delay-voltage sensitivity (2.37 ms/V vs. 3.39 ms/V) and comparable temperature sensitivity (0.116 ms/°C vs. 0.097 ms/°C) relative to a system with manually designed circuits.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».