• 學位論文

112Gb/s 四階脈衝振幅調變電流模態接受器與32Gb/s 不歸零電壓模態接受器

本論文著重在兩個序列化/解序列化應用之電路設計，特別在於接受器端做了兩種不同製成不同速度與不同需求下的電路設計之晶片，最後透過晶片下線後進行量測與功能驗證，以此加以證明電路設計之完整性與功能有達到需求並加以改善提身品質。 第一個電路在40nm CMOS 下設計112-Gb/s PAM4 接受器的類比前端電路以及時脈前端電路。由於我們的目標在於接受器端的訊號輸入可以通過一個較大通道損失高達位於波特率下達到-20dB的通道來作補償。此時前端電路的可變增益放大器、連續時間等化器格外重要，除了要大大補償訊號以符合通道在不同速率下損失的增益，還需要顧及PAM4訊號在各級電路下保持著訊號的線性度之完整。另外時脈在接受器中也扮演著重要的角色，由於我們用了取樣與維持電路，故時脈的工作週期與相位關係是本研究要顧及的一大關鍵。 第二個電路在12nm CMOS 下設計32-Gb/s NRZ 接受器的前饋式等化器與決策反饋等化器。這邊設計與以往不同是我們加入了前饋式等化器來補償決策反饋等化器不能補到的前標訊號。另外決策反饋等化器我們還加入了滑動式標記的功能來補償位因為反射的後標訊號。

• 學位論文

第五代雙倍資料率記憶體資料緩衝器之驗證平台研發與訓練模式分析

在過去的幾年裡，處理器的週期時間減少的要比記憶體週期時間快的多，而這導致了我們對更高性能的記憶體的需求。同步動態隨機存取記憶體 (SDRAM)必須在頻寬以及容量方面有所進步。因此，第五代雙倍資料率同步動態隨機存取記憶體 (DDR5 SDRAM) 作為新世代的雙倍資料率記憶體而被提出。 為了克服容量及速率上的限制，DDR5 SDRAM 具備了許多新功能，而這也導致 DDR5 SDRAM 的晶片設計複雜度增加，並且同時使其晶片的驗證變成困難的任務。相較於使用 Verilog 來進行驗證，SystemVerilog 提供了約束化隨機測試與物件導向的概念讓人使用。因此，他被廣泛運用來開發驗證平台。 在這篇論文裡，我們為 DDR5 的資料緩衝器 (DB) 設計了一個基於斷言式驗證的可具有不同配置的驗證平台。我們開發了一個可以計算功能覆蓋率的模型，並且用不同的測試案例來提升功能覆蓋率。所有的 405 個斷言都在模擬中被 170個測試案例覆蓋到也證明了我們的平台的有效性。 我們分析了 DDR5 DB 驗證的其中一個關鍵環節，也就是資料緩衝器訓練模式。我們分析了他與 DDR4 DB 的訓練模式的不同，並且展示了他們的不同對於他們的驗證過程會有什麼影響。

• 學位論文

應用於LTE-20MHz無線通訊傳輸功率放大器之混合式封包追蹤電源調變器設計

隨著全球通訊的演進，如今的通訊協定已發展到了第五代。射頻傳輸訊號的通道頻寬及峰均功率比等規格皆不斷上升，因此功率放大器之效率逐漸成為一項重要的議題，封包追蹤技術可根據射頻訊號之封包來動態調整提供給功率放大器之供應電壓，相較於傳統高準位的固定電壓，能提升功率放大器之轉換效率。 對於封包追蹤轉換器的系統而言，電路所採用的架構會顯著的影響整體的性能。為了同時達到良好的轉換效率以及準確的訊號追蹤能力，本研究採用並聯組合架構，主要由一線性放大器與一切換放大器所組成，前者擁有高頻訊號之追蹤能力，並具備用以壓抑雜訊之低輸出阻抗；後者則可輸出直流功率並維持高效率。線性放大器整體由一個軌對軌輸入之摺疊疊接運算放大器搭配浮動電流源控制的Class-AB輸出級所組成，另外此電路也利用定轉導偏壓電路以保持線性放大器對於各項變異的低敏感度；切換放大器則使用一加入了電阻、電容補償之遲滯比較器，可以有效的降低比較時間延遲，達到較快之控制迴路速度。除此之外在前端電流感測的部份加入一轉導放大器解決Class-AB電流鏡的通道調變效應，同時也提升整體電流迴路的速度。 本晶片實作於台積電180奈米之CMOS製程。電路部分使用3.3伏特的高壓元件以提供3.5伏特之供應電壓。另外，此晶片之整體面積包含pad為0.875平方毫米。當測量電源轉換器本身之效能，負載端可由被動元件替代功率放大器。此時系統量測到之峰值效率為83.96%。而於測量封包追蹤功率放大器整體系統性能方面，其傳輸效率於最大輸出功率下可從11.44%改善至30.59%，相鄰頻道洩漏比則為-53.63 dBc。

• 學位論文

基於深度學習預測之特徵式單目視覺里程計

視覺里程計是從連續的圖片去還原相機位姿的演算法，在機器人視覺中，一個能提供穩定表現及低延遲的視覺里程計是很關鍵的技術。過去的方法利用幾何條件去優化相機位姿，這種方法能達到即時的表現但在一些困難的環境下不夠穩定。近年來基於深度學習的方法在視覺里程計上能獲得優異且穩定的結果，然而其準確度仍低於傳統的方法。複合式的視覺里程計整合了上述兩者的優點，但由於其複雜的架構使得其速度較慢，因此難以在真實應用上實作。綜上所述，目前設計一個在準確度及速度上達到很好平衡的演算法是很困難的。 在本篇論文中，我們提出了一個新的複合式視覺里程計架構，命名為DPDM，DPDM更好的去結合了深度學習的技術以及傳統幾何的方法。我們重新審視傳統特徵式優化的方法並透過將其關鍵的部分替換成深度學習的預測結果來改善它。由於傳統方法在困難的條件下會失敗，我們在系統中加入了Pose-CNN來提供穩定的初始值。另外，我們透過加入基於深度學習的配對方法來提供準確的對應點，進一步強化我們的系統。藉由深度神經網路強大的高階資訊萃取能力，DPDM能透過一個簡單的稀疏點特徵式方法來優化兩張照片之間的位姿，並達到穩定且準確的結果。和其他複合式的視覺里程計相比，DPDM不需要使用高計算量的光束平差法或稠密點的優化。實驗顯示DPDM的表現能比傳統及純深度學習的方法好，和最先進的複合式方法相比，DPDM能達到接近的準確度及較高的影格率。

• 學位論文

利用低損傷電漿進行表面氮改質石墨烯氣體感測元件之研究

由於感測器的問世使得社會中減少許多的悲劇發生，像是火災煙霧警報器的偵測，讓人們得以在災難加劇前逃脫，保住性命，隨著這個世代的日新月異的科技發展，越來越多的材料被用來製備感測器，根據氣體濃度資料所示，室內二氧化碳在濃度達到1000 ppm以上時，會影響人類的呼吸，氨氣則是在20至25 ppm就會感測感到呼吸刺激與不適；因此若是能研發與改良氣體感測器的話，並在實際氣體感測應用面得到實驗印證的話，那將有助於提升感測器對於氣體的更精確的靈敏度與選擇比；其中，以石墨烯優越的物理特性以及良好的電子傳輸速度已經被廣泛應用在各個領域上，這其中也包含著氣體感測器。 本研究主要是以碳材料為主的不同氣體感測器，以同樣條件去進行不同時間的氮改質，並且去比較與分析改質前後對於二氧化碳與氨氣氣體的反應程度，更可以進一步整理與歸納出各別感測器元件適用的氣體種類以及濃度，甚至是其未來能進一步改良的展望。 至於在以碳材料為主的氣體感測器，在製備單層石墨烯過程中，我們先將銅箔拋光，並且使用化學氣相沉積法(CVD)，先用氮氣破真空，依序通入氬氣、氫氣、甲烷，將碳原子沉積在銅箔上面去成長石墨烯，之後轉印在基板上，並且將製備好的石墨烯進行低損傷電漿(LD-plasma)系統對其進行氮改質，其中低損傷電漿系統互補式遮版的架設，阻擋了大部分的離子轟擊與紫外光輻射，因此大幅地降低對石墨烯的改質傷害，且通過調整加熱基板溫度配合拉曼光譜儀的分析，選擇最合適的溫度去穩定地控制氮改質石墨烯的程度；此外，再經由改變氮改質時間去觀察拉曼波型圖的峰值比例的變化去初步判斷在哪一個改質時間下的元件於氣體量測時的感測能力最好。 接下來將以碳材料為主的雷射誘導石墨烯(LIG)元件進行溫度與電阻關係的測試，討論在定區間的溫度下，溫度與電阻會有一定的線性關係，並且使用與石墨烯相同的低損傷電漿系統改質條件進行氮改質，並且判斷在不同氮改質時間下，所得到的拉曼光譜圖的分析與討論。 最後，我們將改質過後的LIG以及單層石墨烯分別進行不同濃度二氧化碳及氨氣的量測，其中二氧化碳的濃度會坐落於1000 ppm至5000 ppm 的範圍區間，氨氣濃度則會從0 至 10 ppm 去做電性量測，再比較兩種感測器分別適用的氣體種類以及濃度。

• 學位論文

基於機器學習與深度學習之 FDG-PET 腦造影分類模型基於重度憂鬱症之診斷

重度憂鬱症是一種容易轉變為慢性、病情易惡化且容易衍發出頑固性的心理疾病，近年的研究也顯示憂鬱症更傾向為腦功能異常的神經疾病。約三分之一的重鬱症患者無法對藥物有良好的反應，這類患者被稱為頑固型憂鬱症，若能在治療前得知就診者是否為憂鬱症以及時否為頑固型憂鬱症便能提早制定更優的治療計畫，節省患者時間及金錢的成本，也能及早使用藥物以外的療法，例如:電刺激療法，提高治癒機會。本研究使用１０７位健康案例、５９位非頑固憂鬱症以及５９位頑固憂鬱案例的腦部正子造影（ＰＥＴ）搭配機器學習和深度學習演算法，觀察分析機器學習得出之結果和先人研究之結果異同，並藉由機器學習分類器輔助診斷。 我們將腦造影圖預處理後，使用並比較三種特徵選擇方法決定的輸入模型的訓練特徵，並使用集成學習（ensemble）將六個模型中表現最佳的五個之分類結果投票，最終選出一個答案。除此之外，我們也使用深度捲積神經網路 (CNN)，並和傳統機器學習的表現比較以驗證電腦視覺類的深度學習模型在正子造影的表現。本研究中設計了三種環境，分別是 : (1) 分類健康案例與憂鬱案例、(2) 分類非頑固型憂鬱與頑固型憂鬱以及 (3) 分類健康、非頑固以及頑固型案例。最終在獨立的測試集上我們在機器學習得到最佳分類準確度為 : 83%，88%，78%；以及在深度學習模型上 : 79%，88%，74%。

• 學位論文

應用於虹膜辨識之成對特徵學習與遮罩注意力機制神經網路

虹膜圖案複雜、隨機的特性使得虹膜辨識成為一種具有高度準確性以及可靠性的身分辨識方法。跟其他生物特徵相比，虹膜的穩定特性不像指紋一樣會隨著時間磨損毀壞，而它平面幾何組成又比臉部特徵容易計算預測，因此虹膜辨識已經被廣泛應用在多種領域之中，像是資料庫存取、金融認證服務和個人穿戴式裝置上更是有很大的潛力。 自從 1993 第一個開創性的虹膜辨識膜方法問世以後，許多與之相關的研究也隨之展開。經過幾十年來的發展，對在控制條件下拍攝眼睛照片的虹膜辨識已經被廣泛地解決，因此大部分研究開始專注在增強系統的穩定性或是克服非理想情況下拍攝的照片。近幾年很多機器學習和類神經網路的方法被證明對影像處理等多媒體領域有很大的幫助，許多虹膜辨識的研究也開始使用深度學習的架構來進行研究。 有鑑於虹膜辨識在未來極大的潛力以及深度學習現今廣泛應用的背景之下，我們架設了一個基於成對特徵學習以及遮罩注意力機制的神經網路來進行虹膜辨識的任務。除此之外，為了檢驗這個系統架構在真實世界的應用價值，我們更是利用商業用穿戴式眼球追蹤眼鏡所拍攝的照片來進行驗證。總結來說，我們提出了一個可靠又準確且有實際應用價值的虹膜辨識模型。

• 學位論文

高效生成可逆電路及其邏輯閘優化

近年來，可逆電路成為一個有前景的研究領域因其在量子電路和低功耗設計等的應用。然而，函數並非與生俱來可逆的。為了解決這個問題，數個轉換不可逆函數到可逆函數的方法，稱作嵌入，已經被提出。儘管存在這些方法，我們仍然有很大的可能改善合成後的可逆電路的量子成本。在這篇論文，我們提出兩個嵌入方法不只可以得到可逆函數，且降低他的量子成本。此外，我們也利用不同的常數輸入值來進一步降低成本。實驗結果顯示我們提出的合成流程確實可以有效的降低量子成本。

• 學位論文

應用於32-Gb/s不歸零碼接收器與112-Gb/s四階脈衝振幅調變接收器之電路設計

近年來由於物聯網、資料中心、人工智慧、機器學習等紛紛興起，面臨龐大的待處理資料，通訊系統對資料傳輸速率的要求呈現飛躍性的成長，包含SATA、PCIe、USB、乙太網路等，這種情況造就各種規格下的有線傳輸都必須縮短其世代更新的週期，以因應不斷推陳出新的各種應用。 作為個人電腦、伺服器及儲存裝置基礎I/O介面的PCIe，幾乎所有周邊裝置或其他I/O介面，都是透過PCIe來與運算核心連結。回顧PCIe協定的發展歷史，從PCIe1.0(2.5GT/s,2003)到PCIe3.0(8GT/s,2010)期間約是三至四年進行一次世代更新，更新至PCIe4.0(16GT/s,2017)卻花了七年的時間，我認為這是因為當時對於算力及資料傳輸速率的需求還沒有那麼緊湊。催生PCIe4.0推出的時間點恰巧是人工智慧、機器學習、邊緣運算等需要強力算力與資料傳輸速率的應用流行起來的時間點，而後僅花了兩年的時間PCIe5.0(32GT/s)便推出以支援這些新的應用。 作為各種規格的高速有線傳輸背後的核心技術SerDes，接收器在其中更是尤為重要的一塊。本論文所提出之32Gb/s不歸零碼接收器便是基於PCI-SIG所制定之PCIe5.0規格下所提出的設計，其中包含了基於反向器設計之連續時間等化器、基於反向器設計之可編程增益放大器、八個抽頭其中包含四個固定與四個可調整之決斷反饋等化器、一個抽頭的前饋式等化器、基於相位內插器之數位時脈資料回復電路及鎖相迴路，使用台積電12奈米工藝技術製造。PCIe5.0推出的三年後PCIe6.0(64GT/s)也在2022年推出，面臨如此高速的資料傳輸速率傳統的不歸零碼資料型式通道損耗過大，因此在PCIe6.0的世代將會全面啟用四階脈衝振幅調變的資料型式。本論文亦提出了一個以台積電40奈米工藝技術製造之80Gb/s四階脈衝振幅調變接收器，其中包含連續時間等化器、一個抽頭的前饋式等化器及一個抽頭的預測決斷反饋等化器。

• 學位論文

一個一百六十億位元每秒的線性等化器與具自適應時間0.3微秒的決策回授等化器

本論文實現一個資料傳輸速率為一百六十億位元每秒的線性等化器與具適應時間0.3微秒的決策回授等化器。藉由使用斜率偵測器切換符號-符號最小均方演算法的步長來達到快速收斂。以資料序列為PRBS7下的量測，通道衰減為-10.3dB到-24.3dB，資料錯誤率<10^-12。量測到的收斂時間小於0.3微秒。此等化器使用台積電40奈米製程製作，核心電路面積為0.179mm^2。最後，等化器的功率消耗為38毫瓦，達到的能量效率為0.098pJ/bit/dB。