Qummar Zaman

• The thesis presents a cost-effective approach to enhancing the autonomy and optimization capabilities of smart sensory electronic systems (SSES) through the integration of artificial intelligence (AI) at the lowest levels of automated test equipment (ATE). This integration aims to realize self-configuring, self-optimizing, and self-healing ("self-X") properties in SSES, leveraging the transformative power of machine learning to revolutionize traditional sensory systems. In the era of Industry 4.0, where the fusion of advanced digital technologies with the physical production and operational processes defines a new industrial revolution, the application of AI and machine learning in SSES represents a critical step forward in realizing intelligent, efficient, and highly adaptable manufacturing and production environments. This work primarily focuses on electronic design automation (EDA) from the development of tuning knobs for enhanced adaptivity, through the advanced designing of extrinsic optimization techniques, culminating in the seamless integration of these methodologies on hardware specifically dedicated to the assessment and optimization of the chip. The implementation of a chip performance assessment unit on this hardware is crucial for enabling the development of self-X properties in SSES. The reconfigurable, fully differential indirect current-feedback instrumentation amplifier (CFIA) is intrinsically optimized using a single test sinusoidal signal stimulus and measures the total harmonic distortion (THD) at the output. Additionally, a power-monitoring module is integrated into the CFIA circuit to assess power consumption, ensuring a power-efficient and reliable configuration. The implemented assessment unit effectively manages data acquisition, THD computation via FFT, and executes an advanced optimization algorithm for dynamic system configuration, facilitating an adaptive and efficient data management and transmission protocol. The design of the architecture has been kept generic to ensure its easy integration with higher-level system designs, enhancing its applicability across diverse technological applications. Preliminary tests conducted on the fabricated chip, using the default configuration pattern from post-layout simulations, revealed an unacceptable performance behavior of the CFIA. Nevertheless, the proposed in-field optimization successfully restored the circuit’s performance, resulting in a robust design that meets the performance achieved in the design phase. This architecture resulted in a \( 34\% \) increase in power efficiency while achieving a THD value of \( -72 \) dB with a \( 2V_{p-p} \) differential input signal at 1 MHz. Dynamic intrinsic optimization across a temperature range of \( -20^\circ C \) to \( 40^\circ C \) and a \( 25\% \) reduction in supply voltage revealed the system's adaptability to process, voltage, and temperature (PVT) variations. A novel experience replay particle swarm optimization (ERPSO) algorithm, embedded on Red Pitaya FPGA boards, acts as an AI agent for intrinsic in-field optimization of the CFIA. The proposed ERPSO algorithm expands the classical PSO selection process with an experience replay buffer (ERB) to reduce the likelihood of trapping in local minima. The ERB archives previously visited global best particles and uses an adaptive epsilon greedy method in velocity updating. The ERPSO algorithm's performance is verified using eight popular benchmarking functions. The evaluation of robust optimization for CFIA, using surrogate-based and archive-based methodologies, is conducted through simulation-based results due to timing constraints. Benchmark functions and direct application to CFIA highlighted this method's effectiveness in reducing the average expected error (AEE) and improving correlation metrics. This facilitated precise tuning of CFIA to achieve desired performance levels while effectively managing uncertainties and imperfections. An evaluation of filter optimization using reconfigurable non-intrusive sensors provides a comprehensive examination of a novel approach to optimizing filter characteristics, particularly cutoff frequencies, through indirect measurements. The typical indirect measurement approach using regression models for the device under test (DUT) performance prediction is integrated with ERPSO for reconfigurable non-intrusive sensors. This work's novelty lies in optimizing the non-intrusive sensors by copying the DUT's tuning knobs, indirectly optimizing DUT performance without interrupting its operation. In-field optimization is based on low-cost sensor measurements, achieving a \( 92\% \) correlation performance metric for regression tasks. The study also presents the filter's dynamic performance under temperature variations, illustrating robustness. The filter recalibrates with a maximum \( 3\% \) discrepancy from intended cutoff frequencies, emphasizing its resilience and optimization strategy. A reinforcement learning approach further addressed layout-induced deviations, reducing the need for extensive physical measurements and adapting to fabricated chips. The practical application of a reconfigurable analog front-end with self-X properties for the tunnel magneto-resistance (TMR) sensor, provided by Sensitec, demonstrates seamless integration with higher system hierarchies. Configuration bits derived from the optimization algorithm highlight the integration of theoretical and algorithmic progress with practical implementation. The research successfully demonstrates the potential of AI and machine learning to enhance the autonomy and optimization of SSES. Future work will focus on uninterrupted optimization processes, such as implementing real-time operating systems (RTOS) or time-triggered embedded systems (TTES) to interleave calibration and measurement tasks. Additionally, further investigations will explore the intrinsic evaluation of non-intrusive sensor-based indirect measurement techniques and the application of reinforcement learning methods to reduce the need for extensive physical measurements, thus enhancing the efficiency and robustness of smart sensory electronic systems. These future directions aim to provide more robust, adaptable, and cost-effective solutions for next-generation industrial applications.
• In dieser Arbeit wird ein kosteneffizienter Ansatz zur Verbesserung der Autonomie und der Optimierungsfähigkeiten intelligenter sensorischer elektronischer Systeme (SSES) durch die Integration von künstlicher Intelligenz (KI) auf den untersten Ebenen der automatisierten Testausrüstung (ATE) vorgestellt. Diese Integration zielt darauf ab, selbstkonfigurierende, selbstoptimierende und selbstheilende ("self-X") Eigenschaften in SSES zu realisieren und die transformative Kraft des maschinellen Lernens zu nutzen, um traditionelle sensorische Systeme zu revolutionieren. Im Zeitalter von Industrie 4.0, in dem die Verschmelzung fortschrittlicher digitaler Technologien mit physischen Produktions- und Betriebsprozessen eine neue industrielle Revolution definiert, stellt die Anwendung von KI und maschinellem Lernen in SSES einen entscheidenden Schritt nach vorn bei der Realisierung intelligenter, effizienter und hochgradig anpassungsfähiger Fertigungs- und Produktionsumgebungen dar. Diese Arbeit konzentriert sich in erster Linie auf die elektronische Entwurfsautomatisierung (EDA), von der Entwicklung von Abstimmknöpfen für eine verbesserte Anpassungsfähigkeit über die fortschrittliche Gestaltung von extrinsischen Optimierungstechniken bis hin zur nahtlosen Integration dieser Methoden in Hardware, die speziell für die Bewertung und Optimierung des Chips vorgesehen ist. Die Implementierung einer Chip-Leistungsbewertungseinheit auf dieser Hardware ist entscheidend für die Entwicklung von Self-X-Eigenschaften in SSES. Der rekonfigurierbare, vollständig differentielle, indirekte stromrückgekoppelte Instrumentenverstärker (CFIA) wird anhand eines einzigen sinusförmigen Test-Signalstimulus optimiert und misst die gesamte harmonische Verzerrung (THD) am Ausgang. Zusätzlich ist ein Leistungsüberwachungsmodul in den CFIA-Schaltkreis integriert, um den Stromverbrauch zu bewerten und eine energieeffiziente und zuverlässige Konfiguration zu gewährleisten. Die implementierte Bewertungseinheit verwaltet effektiv die Datenerfassung, die THD-Berechnung mittels FFT und führt einen fortschrittlichen Optimierungsalgorithmus für die dynamische Systemkonfiguration aus, der ein adaptives und effizientes Datenmanagement und Übertragungsprotokoll ermöglicht. Das Design der Architektur wurde generisch gehalten, um eine einfache Integration in übergeordnete Systemdesigns zu gewährleisten und die Anwendbarkeit in verschiedenen technologischen Anwendungen zu verbessern. Vorläufige Tests, die auf dem hergestellten Chip unter Verwendung des Standardkonfigurationsmusters aus Post-Layout-Simulationen durchgeführt wurden, zeigten ein inakzeptables Leistungsverhalten des CFIA. Durch die vorgeschlagene Optimierung im Feld konnte die Leistung der Schaltung jedoch erfolgreich wiederhergestellt werden, was zu einem robusten Design führte, das die in der Entwurfsphase erreichte Leistung erfüllt. Diese Architektur führte zu einer Steigerung der Leistungseffizienz um \( 34\% \) bei einem THD-Wert von \( -72 \) dB mit einem \( 2V_{p-p} \) Differenzeingangssignal bei 1 MHz. Eine dynamische intrinsische Optimierung über einen Temperaturbereich von \( -20^\circ C \) bis \( 40^\circ C \) und eine Verringerung der Versorgungsspannung um \( 25\% \) zeigte die Anpassungsfähigkeit des Systems an Prozess-, Spannungs- und Temperaturschwankungen (PVT). Ein neuartiger Experience Replay Particle Swarm Optimization (ERPSO)-Algorithmus, der in Red Pitaya FPGA-Boards eingebettet ist, fungiert als KI-Agent für die Optimierung des CFIA in der Praxis. Der vorgeschlagene ERPSO-Algorithmus erweitert den klassischen PSO-Auswahlprozess um einen Erfahrungswiedergabepuffer (ERB), um die Wahrscheinlichkeit des Einfangens in lokalen Minima zu verringern. Der ERB archiviert zuvor besuchte global beste Partikel und verwendet eine adaptive Epsilon-Greedy-Methode bei der Geschwindigkeitsaktualisierung. Die Leistung des ERPSO-Algorithmus wird anhand von acht gängigen Benchmarking-Funktionen überprüft. Die Bewertung der robusten Optimierung für CFIA unter Verwendung von surrogat- und archivbasierten Methoden erfolgt aufgrund zeitlicher Beschränkungen durch simulationsbasierte Ergebnisse. Benchmark-Funktionen und die direkte Anwendung auf CFIA haben die Effektivität dieser Methode bei der Reduzierung des durchschnittlich erwarteten Fehlers (AEE) und der Verbesserung der Korrelationsmetriken hervorgehoben. Dies erleichterte die präzise Abstimmung von CFIA, um die gewünschten Leistungsniveaus zu erreichen und gleichzeitig Unsicherheiten und Unzulänglichkeiten effektiv zu bewältigen. Eine Bewertung der Filteroptimierung mit rekonfigurierbaren nicht-intrusiven Sensoren bietet eine umfassende Untersuchung eines neuartigen Ansatzes zur Optimierung von Filtereigenschaften, insbesondere von Grenzfrequenzen, durch indirekte Messungen. Der typische Ansatz der indirekten Messung unter Verwendung von Regressionsmodellen für die Vorhersage der Leistung des zu testenden Geräts (DUT) wird in ERPSO für rekonfigurierbare nicht-intrusive Sensoren integriert. Die Neuheit dieser Arbeit liegt in der Optimierung der nicht-intrusiven Sensoren durch Kopieren der Abstimmknöpfe des Prüflings, wodurch die Leistung des Prüflings indirekt optimiert wird, ohne seinen Betrieb zu unterbrechen. Die Vor-Ort-Optimierung basiert auf kostengünstigen Sensormessungen und erreicht eine \( 92\% \)-Korrelationsleistungsmetrik für Regressionsaufgaben. In der Studie wird auch die dynamische Leistung des Filters bei Temperaturschwankungen dargestellt, um die Robustheit zu veranschaulichen. Der Filter rekalibriert sich mit einer maximalen Abweichung von \( 3\% \) von den beabsichtigten Grenzfrequenzen, was seine Widerstandsfähigkeit und Optimierungsstrategie unterstreicht. Ein Ansatz des verstärkten Lernens befasst sich darüber hinaus mit layoutbedingten Abweichungen, wodurch sich die Notwendigkeit umfangreicher physikalischer Messungen verringert und eine Anpassung an gefertigte Chips möglich wird. Die praktische Anwendung eines rekonfigurierbaren analogen Frontends mit Self-X-Eigenschaften für den Tunnelmagnetowiderstandssensor (TMR), der von Sensitec bereitgestellt wurde, zeigt die nahtlose Integration in höhere Systemhierarchien. Aus dem Optimierungsalgorithmus abgeleitete Konfigurationsbits verdeutlichen die Integration von theoretischen und algorithmischen Fortschritten mit der praktischen Umsetzung. Die Forschung demonstriert erfolgreich das Potenzial von KI und maschinellem Lernen zur Verbesserung der Autonomie und Optimierung von SSES. Zukünftige Arbeiten werden sich auf ununterbrochene Optimierungsprozesse konzentrieren, wie z. B. die Implementierung von Echtzeit-Betriebssystemen (RTOS) oder zeitgesteuerten eingebetteten Systemen (TTES), um Kalibrierungs- und Messaufgaben miteinander zu verzahnen. Darüber hinaus werden weitere Untersuchungen die intrinsische Bewertung von nicht-intrusiven sensorgestützten indirekten Messtechniken und die Anwendung von Methoden des Reinforcement Learning erforschen, um den Bedarf an umfangreichen physikalischen Messungen zu verringern und so die Effizienz und Robustheit intelligenter sensorischer elektronischer Systeme zu verbessern. Diese zukünftigen Richtungen zielen darauf ab, robustere, anpassungsfähigere und kostengünstigere Lösungen für industrielle Anwendungen der nächsten Generation bereitzustellen.