Low-power low-voltage high-speed delta-sigma analog-to-digital converters
Bibliographic record
Abstract
Low-Power Low-Voltage High-Speed ilL ADCs Résumé Les exigences pour les systèmes de communication, portables ou autres, allant crescendo, deux défis majeurs se sont imposés pour la conception des Convertisseurs Analogiques-Numériques (CAN), desquels, en particulier, les modulateurs à architecture Delta-Sigma (M~L).Le premier défi consiste en l'extension de la gamme de fréquence pour inclure les applications requérant des bandes passantes dépassant le Mégahertz.Par ailleurs, étendre la vitesse opérationnelle des M~ est rendu encore plus compliqué par la diminution perpétuelle des dimensions fondamentales des transistors.En effet, il est prédit par l'Association de l'Industrie Semiconducteur (SIA) dans sa "feuille de route" pour la technologie de CMOS, que la dimension fondamentale des transistors atteindra 0.05 ~m en 2011.Avec cette diminution dans la longueur fondamentale et, par ricochet, dans la tension d'alimentation, la modélisation des transistors devient beaucoup plus subtile.Aussi, la déviation des circuits de leur comportement idéal devient plus prononcée.En conséquence, la conception des principaux blocs analogiques qui minimise le temps de mise en marché devient très compliquée.D'où le second défi.Ces deux problèmes seront adressés dans cette thèse par le biais d'une nouvelle méthode de conception qui minimisera le cycle de conception des CAN à architecture ~L pour les applications hautes fréquences.L'efficacité de cette méthode sera démontrée par l'implémentation de deux modulateurs intégrés performants utilisant une figure de mérite largement adoptée.La validité de la méthodologie de conception top-down a été vérifiée par la fabrication de deux circuits intégrés (IC) prototypes en technologie CMOS de 0.18 J.tm de TSMC.Le premier prototype correspond à un CAN à architecture ~L du quatrième ordre et à un seul II Last but not least, a heart felt thank you for my parents: Riad and Fadia, brothers: Sobhi, Ahmad and Ziad, and sister Samar.Your constant support, patience and encouragement are what kept me going.l am so proud and
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.076 | 0.048 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".