臺灣大學電子工程學研究所學位論文
國立臺灣大學,正常發行
選擇卷期
- 學位論文
本研究採用時間電荷控制法實現時域式降壓轉換器，以電流模式搭配固定品質因子技術因而能在超寬輸出輸入電壓範圍操作。本作品在六分之一切換頻率的頻寬下仍能維持低輸出阻抗並具有加速響應機制，因此當負載電流由0安培切換至1.5安培時，轉換器能夠在2 µs範圍內調節輸出電壓回穩態值，且電壓下降不超過90毫伏特。在搭配特定負載電路可以動態電壓調整以節省功率消耗，同時具有高增益電壓迴路使得電源電壓調整率及負載調整率各自小於1毫伏特/伏特及1毫伏特/安培。在此次設計除了電感以及電容兩顆元件外，剩下的被動元件皆實現在晶片中。本晶片以0.18微米之台積電互補式金氧半導體製程實現，晶片尺寸為1.2×1.3平方毫米，實現了高功率密度設計並具有最高效率為94.3 %。
- 學位論文
在通信及物連網應用中都需要精準及低功耗的時脈產生器電路。本論文針對這些應用提出了低功耗32.768千赫茲 RC振盪器以及具分段多項式變容二極體補償的溫度補償晶體振盪器。 第一個作品提出了低功耗32.768千赫茲 RC振盪器。此振盪器透過比較器偏移電壓補償技術來達到好的頻率精準度。振盪器在1.8-V電壓源下總消耗電流為355 nA。本作品以TSMC 180-nm製程實現，核心面積為0.192 mm2，在 -40°C到80°C的溫度範圍內，頻率精準度為±0.214%。 在第二個作品中，我們提出了一個採用分段多項式變容二極體補償的溫度補償晶體振盪器，此設計可以用來解決晶體振盪器原先大約數10ppm的頻率誤差。此外，透過振幅控制迴路讓晶體振盪器在溫度、電壓和製程變化下都能有穩定的表現。本作品採用TSMC 180-nm CMOS製程製造，操作頻率為40百萬赫茲，核心面積為0.282mm2，在1.8-V電壓源下總消耗電流為0.3 mA。量測的頻率精準度為±5.75 ppm。
- 學位論文
本論文提出一遠距無線電能傳輸之波束成型發射機端模組，利用相位陣列天線波束成型對不同方位的裝置物進行遠距充電。 本論文主要分三個部分，第一部分為陣列天線的設計，採用同軸饋入貼片天線做成1×4的陣列天線，天線的饋入網路是由一對四路的威爾金森功率分配器接上四個數位控制相移器來實現波束成型。量測結果為當波束成型角度為0度時天線增益為8.9 dBi，波束寬為22度、波束成型10度時天線增益為8.85 dBi、波束成型30度時天線增益為8 dBi、波束成型43度時天線增益為6.4 dBi。 第二部分為實現無線充電發射機端模組，選用射頻功率放大器其量測效率為59.1~60.4%，增益值為8.7~9 dB，輸出功率為25.7~26.0dBm；一對四路的威爾金森功率分配器在2.4 GHz時，量測結果為回波損耗S11為-23 dB、S22為-26 dB、S33為-26 dB、S44為-25 dB、S55為-26 dB；而插入損耗S21、S31、S41 與S51皆為-6.3 dB；數位控制相移器操作在2.4 GHz時，各相位狀態下回波損耗S11、S22 都低於-10 dB，而插入損耗S21落在-3.25~-3 dB範圍內，與理想相位相比的誤差值最大為6.2度；使用樂鑫資訊科技開發的ESP32，以Arduino IDE為開發環境撰寫其Wi-Fi功能，建立一個無線存取點來遠端控制波束掃描方向。 第三部分為波束成型無線充電發射機端模組量測結果，發射端1×4陣列天線位置固定，針對不同位置的接收端進行充電。在距離1.5 m且方位角0度時，接收端為1×1天線量測到-1.2 dBm，接收端為1×2天線量測到0.5 dBm；在距離3.0 m且方位角0度時，接收端為1×1天線量測到-6.58 dBm，接收端為1×2天線量測到-4.82 dBm；在距離1.5 m且方位角+43度時，接收端1×1天線量測到-3.98 dBm，接收端1×2天線量測到-2.03 dBm；在距離2.0 m且方位角-30度時，接收端1×1天線量測到-5.19 dBm，接收端1×2天線量測到-2.92 dBm。
- 學位論文
如今，用戶身份識別 (User identification) 對於授權的計算機訪問和遠程個人數據使用中扮演越來越重要的角色。由於隱私和便利性，虹膜、指紋和臉部識別等基於生物特徵的用戶身分識別已成為我們日常生活中的主流方法。但是，大多數生物特徵辨識方法都可以被模仿或被人工破解。然而，新型的生物特徵辨識技術可以緩解以上問題，例如心電訊號 (ECG)，是基於內在生理訊號而不是傳統的外在生物特徵。此外，由於在智慧工廠中的作業員必須穿著無塵裝備，因此非常適合使用心電訊號身份識別系統的。 另外，在現實的智慧工廠中，必然會有新員工的加入，因此，必須在現有的辨識系統上增加辨識人數。然而，如果為了該新員工而重新學習整個辨識系統，會造成額外的運算資源因而不切實際。為了能夠有效地學習新進員工的資訊，也就是在機器學習系統裡面的新的類別，我們利用類增量學習 (Class-incremental learning, CIL) 的方法來實現我們的辨識系統。此外，心電訊號感測器 (ECG sensor) 通常會安裝於邊緣裝置 (Edge devices) 上，並且需要在邊緣裝置上做長期監測。因此，我們必須利用輕量級的分類器來實現辨識系統。在此論文，我們挑選極限學習機 (Extreme learning machine, ELM) 來當作輕量的分類器，並針對極限學習機提出支援類增量學習之演算法。最後，為了能進一步降低此輕量分類器在邊緣裝置的能耗，我們設計一個高能效且支援類增量學習的極限學習機硬體架構。
- 學位論文
隨著深度學習的快速發展，業界已經開始製造深度學習相關的產品。通常產品一旦發布出去，很難再進行修改，如果當初設計的目的沒有被想像到，但隨著時間過去，需要增加新的功能，唯一能做的就是重新製造產品，這不僅需要耗費很多時間，而且成本相當昂貴。此外，在實際應用的場域中也會需要同時解決多個任務，在資源有限的設備上部署多個模型會非常具有挑戰性，因為大多數的模型需要很高的計算資源。 在本論文中，我們利用多個預訓練模型之間的協同作用，加以整合成一個多工的神經網路，如此一來便可以透過微調的方式來去達到期望的功能，也可以解決在資源有限的設備上部署多個模型需要很高的計算資源的問題。然而，困難點在於如何找到最好的接點來整合模型以達到準確度以及運算成本之間的平衡，最直覺的方式是完整遍歷所有可能的架構，但是這樣非常的複雜，同時需要很龐大的計算資源且耗費時間，因此，我們提出自動搜索的演算法來找到最適當的整合網路架構，並結合了自蒸餾的技術，提高準確度。實驗結果證明了方法的有效性。
- 學位論文
重度憂鬱症被認為是一種導致認知和情感障礙的慢性疾病，且具有易惡化和與其他症狀高度合併風險的特性。重度憂鬱症在世界上相當普及，但其中一定比例的患者卻未能在常用的抗憂鬱藥物治療方式下好轉。對於此類患者，重複性經顱磁刺激有機會產生療效。本研究針對重度憂鬱症患者的腦電圖訊號進行分析， 將其分解為 delta，theta，alpha，beta 和 gamma 五個頻段，應用數種線性和非線性法提取不同面向的特徵以機器學習預測重複性經顱磁刺激對該病患的療效。而因應腦電訊號圖並不具有客觀的標準波型和數值，本研究利用視覺化方式呈現不同頻段的腦電訊號圖變化對照醫學理論以驗證機器學習的預測果。此外，分析過程中包含各通道腦電訊號圖的前處理結果、各通道與特定區域在不同頻段下之腦電訊號圖數值，以及腦電訊號圖中疑似含有偽影成分的片段標記也將一並呈現以供醫師做為最終判讀的參考。實驗結果顯示經由機器學習區分重複性經顱刺激治療有效及無效者可達到 90%的準確率，其中 TPR 為 85.7%，TNR 為 100%。而被區分為治療有效者相比於治療無效者在前額葉 theta 頻段及 delta 頻段的腦電訊號圖視覺化結果亦可見顯著變化，證實了機器學習預測結果的可信度。
- 學位論文
由於矽的成本低，被廣泛使用在矽基光電系統，因此矽的製程技術已經很成熟，在這些已確定的基礎上，大家想要去實現超出目前矽的光電偵測器的能力範圍。因此其他四族材料，例如鍺(Germanium)和鍺錫(GeSn)合金，也已應用於四族化合物。這些材料通常生長在矽基板上，但是由於晶格失配，這些異質結構光偵測器的光響應度通常比單晶光偵測器的光響應度弱。為了實現這些異質結構光偵測器的應用，必須增強薄膜的光響應度，以滿足光電檢測的要求。通過在晶圓頂部摻入二維材料石墨烯，可以增強晶圓的光響應度。將該機制描述為電荷轉移過程，其中半導體中的光激發載子被轉移到石墨烯層，並且由於石墨烯的載子遷移率比半導體大，因此產生的光電流比在半導體大。 在本論文中，首先將p-type Si和n-type Si熱氧化生長極薄的二氧化矽 (silicon dioxide, SiO2)介電層 (dielectric layer)，其介電層厚度約2nm，微影製程後蒸鍍電極，沒有石墨烯 (graphene)的形成光導體，有石墨烯的類似MOS電容，比較二氧化矽/矽基板 (SiO2/Si)和石墨烯/二氧化矽/矽基板 (Graphene/SiO2/Si)的光電流。為了得到最好的特性，我們盡量避免接觸電阻影響光電流，我們找出如何製作p-type Si和n-type Si歐姆接觸 (ohmic contact)的方法，p-type Si電子束蒸鍍鋁 (aluminum, Al)退火後得到歐姆接觸的特性，接觸電阻約為11.066Ω；n-type Si作磷離子佈植後電子束蒸鍍金 (gold, aurum, Au) /鈦 (titanium, Ti)後直接得到歐姆接觸的特性，接觸電阻約為8.295Ω。接著我們架設光電量測系統量測精準的光電流 (photocurrent)，量測到Graphene/oxide/p-Si的光電流會大於oxide/p-Si，在電壓0.8V光強200μW時大約放大2~6倍，而Graphene/oxide/n-Si的光電流會小於oxide/n-Si，原因是矽與石墨烯接觸後能帶彎曲形成類似MOS的元件。當我們選擇短波長光源時，因為SiO2很薄和石墨烯轉移的方式會經過水，所以石墨烯為p型，電子穿隧過去會抵銷石墨烯端的電洞濃度，造成放大倍率變小。最後我們改變光源位置量測石墨烯光電流對光源位置的靈敏度。建立了定性定量分析方法，數值結果與功率和波長相關數據吻合。
- 學位論文
本論文著重探討應用於物聯網感測系統之類比數位轉換器電路設計，此電路的主要任務為將振幅小且低頻的信號直接轉換為數位訊號，同時維持訊號的完整度。但由於電路的直流偏移、閃爍雜訊都落在低頻帶的範圍，因此訊號的品質容易受影響，也增加了設計難度。本篇採用環形震盪器作為積分器的連續時間三角積分轉換器，希望在維持低功耗以及低面積同時維持良好的精確度。 本論文對我們所設計的二階連續時間三角積分轉換器做了實作及量測，此電路實作於台積電180奈米製程。為了能夠適應製程演進與物聯網低功耗的需求，我們將供應電壓降為1.2 Ｖ。在低電壓操作的要求之下，我們利用環形震盪器取代類比積分器，以實現感測器電路。這個晶片的設計為將第一級積分過的訊號藉由第二級由環形震盪器所構成的量化器做量化，由於量化器本身具有一階三角積分調變的特性，故整個迴路會有兩階的三角積分調變，且此量化器的數位輸出為一個經動態單元匹配後的訊號，其可以提升數位類比轉換器的線性度，故不需要再加上傳統的動態權重平均電路，而能有較大的頻寬。 此晶片使用1.2 V作為供應電壓，功率消耗為26.2 μW。在160 nAPP的輸入以及2 kHz的頻寬下，可以達到60 dB的信噪比。在品質因素方面達到FoMs = 136.9 dB及FoMw = 10.09 pJ/conv，晶片面積為0.22 mm2。
- 學位論文
本論文提出一操作於Ka頻帶之雙向向量合成式相移器(bi-directional vector sum phase shifter, BDVSPS)，可用於相位陣列的架構來實現收發端的射頻電路。 本論文可以分成主動和被動部分，為了實現雙向架構，其中四相位產生器是由90度耦合器和0-π相位切換器來實現的，而且被動的四相位產生器本身亦可實現雙向功能。為了補償被動元件的損耗和精準地控制相位，本文採用兩個雙向可變增益放大器來實現，分別調整雙向放大器的偏壓來控制增益，再由功率合成器合成相位。反向操作時，訊號由功率整合器端進入，經由雙向可變增益放大器的反向路徑放大後，再用90°耦合器輸出，以此實現雙向向量合式相移器。 本文採用台積電0.18 μm CMOS製程實現，可達到等效4位元解析度，而量測結果均方根增益誤差為0.4 dB，RMS相位誤差小於0.4°，平均增益為-7.6 dB，直流功耗最大為20 mW。 關鍵字：相移器、向量合成式相移器、Ka頻帶、雙向可變增益放大器。
- 學位論文
卷積神經網絡廣泛用於計算機視覺。需要存儲的大量參數和高計算複雜度導致它們需要具有大量資源的平台來實現某些場景，例如實時應用。為了在資源有限的平台上適應這些計算密集型網絡，研究人員開發了許多網絡壓縮技術，以在減少資源消耗的同時保持性能。成功的壓縮方法的關鍵是在給定資源(例如，參數、推理延遲)約束下產生具有最高性能的網絡。 剪枝是一種有效的網絡壓縮方法。它估計每個濾波器的重要性並消除那些不太重要的過濾器，直到滿足資源限制。雖然現有方法僅考慮網絡中的參數總量或浮點運算 (FLOPs) 作為約束，但這些指標忽略了網絡如何在目標平台上執行。在本論文中，將推理延遲等平台特性引入到修剪指標中。我們提出了一種新的平台感知過濾器修剪方法，可以擴大整個網絡的搜索空間。稱為平台感知架構生成器和搜索(PAGS)，它可以生成給定延遲約束的網絡架構並擴展整體模型架構搜索空間。在搜索階段，我們從生成器構建的候選集中搜索最佳修剪結構。最後，進行典型的剪枝程序將預訓練的模型剪枝為最佳剪枝結構和微調它以恢復性能。大量實驗表明，在相同的延遲約束下，我們的方法可以實現比最先進的方法更好的性能和更低的延遲。