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
三維空間的姿態與體型估測是屬於電腦視覺裡進階的題目，其最終目標為得到人體模型。相較於傳統的方法仰賴模型貼合法，現今的作法利用捲積神經網路來抽取深層特徵來取得人體模型的參數。現今頂尖的方法使用單張彩色影像當作輸入，然而由於渲染器裡的柵格化，三維空間中的幾何特徵是被隱含在其中。我們認為這樣的資料無法正確的帶出三維空間的資訊。因此我們認為使用具有三維空間資訊的資料，也就是深度影像或點雲，會是一個更好的選擇。 在這篇論文裡，我們提出一個兩階段的方法，透過深度影像或對應的點雲預測三維空間人體姿態與體型。這其中我們設計了兩個特殊的模組，都稱為局部關節網路。在第一個階段裡，我們先進行三維空間人體關節預測。我們假設事先可取得二維空間人體關節點來當作初始特徵，我們把這些關節點投影回三維空間形成初始三維空間關節，然後以這些關節為中心去對點雲進行分群，經過分群後的點雲會送進第一個局部關節網路來取的真正的相機空間中三維空間人體關節。在第二個階段裡，我們以前一階段得到的三維空間關節為初始特徵，結合點雲來預測人體模型參數，並使用另外一個局部關節網路來對這些參數進行細部修正。取得參數後，我們變能將它轉換成人體模型。我們驗證我們的方法在我們自己產生的合成資料上，其結果顯示我我們的方法是有效的。而我們論文的最終目標為實作一個擴增實境系統，為此，我們設計了一套系統，結合我們設計的模型，將Kinect v2相機的資料當作輸入，輸出具有擴增實境效果的圖。其結果也顯示我們的方法在實際資料上也是有效的。
- 學位論文
在近十年，低功耗無線技術蓬勃發展使人們更容易連接各種裝置。在可想像的未來，大量無線節點組成的物聯網可連結更多裝置，而射頻設備使用週期會被電池電量限制，使得大量維護射頻裝置變得困難。為了打造無電池的射頻環境，可以利用射頻或熱能收集電路為射頻節點提供能量。因為不需要更換電池，這些無電池的射頻節點可以降低人工成本，並且容易維護射頻系統。故低功耗、高感度的接收機與高效率的發射器是布建無電池射頻環境的關鍵電路。 本收發機工作電壓在0.6伏特，資料傳輸速率為200千比特每秒，操作頻率為429百萬赫茲的超低功耗頻移鍵控接收器。本接收器採用增強Q值低雜訊放大器來降低此電路功率消耗和頻率轉換時間技術去區分不同的時間週期來解調頻移鍵控訊號。本接收器在0.1％的誤碼率下提供-85分貝毫瓦的靈敏度，消耗功率為146微瓦。 本發射器工作電壓在0.6伏特，操作頻率為429百萬赫茲的頻移鍵控發射器。此發射器移除高功耗電路，如:功率放大器和鎖相迴路電路和採用振盪器通過匹配電路造成阻抗轉換，使震盪器直接驅動天線。本發射器消耗0.39毫瓦和提供 -8.2分貝毫瓦的輸出功率，並實現38.7%的整體效率。本收發機採用台積電90奈米CMOS工藝製造。
- 學位論文
隨著異質整合多處理器晶片上系統的設計愈加複雜化，由於光網絡晶片之高帶寬和低信號延遲的特性，其需求急劇增長。特別地，波長路由光網絡晶片由於其更高的帶寬和低功耗而被視為一種有前途的次世代信號傳輸技術。然而，設計複雜性的增長給可擴展的波長路由光網絡晶片帶來了更多設計上的挑戰。首先，特定應用導向的拓撲可為不同設計提供客製化且靈活的傳輸矩陣，從而節省更多資源而不會消耗過多的額外功耗。然而，隨著設計複雜性的增加，現有的特定應用導向的拓撲結構設計流程會受到可擴展性和串擾問題的影響。其次，波長路由光網路晶片上的光繞線能夠提供更大的傳輸帶寬，使用更少的繞線資源。但是，如果信號未被正確聚集，則可能會產生較差的繞線結果。第三，由於設計的複雜性，波長路由光網路晶片的拓撲和佈局通常是分階段設計的。然而，由不同階段引起的估計誤差將不再可以忽略。第四，光網絡和電網絡通常被獨立設計和繞線。然而，光網絡和電網絡應該共同設計和共同繞線，以正確處理彼此的擁塞和熱效應問題。因此，為現代波長路由光網路晶片設計開發自動化拓撲和佈局設計技術比以往任何時候都面臨更多的困難，需要更多的創新研究來取得突破。 在本論文中，我們開發了一個新的網絡設計架構，特別著重於拓撲和佈局設計，以解決現代波長路由光網路晶片設計的關鍵挑戰。(1) 為了提高拓撲設計的效率，我們提出了一種新的串擾感知拓撲設計流程，用於特定應用導向的波長路由光網路晶片，以最大限度地減少傳輸損耗和串擾。(2) 為了優化光繞線的性能，我們提出了一種新的波分複用感知光繞線流程，以最大限度地減少傳輸損耗、波分複用成本和串擾，並顯著地加速。(3) 為了實現拓撲和佈局共同設計，我們提出了一個全自動化拓撲結構和物理佈局共同設計流程，改進了波長分配方案，以最大限度地降低最大傳輸損耗和雷射功耗，同時顯著提高速度。(4) 最後，為了實現光電繞線共同設計，我們提出了一個熱感知光電繞線共同設計流程，以最大限度地減少功耗、熱影響和總線長。實驗結果展示了我們提出的演算法的有效性和效率。
- 學位論文
本篇論文主要在探討同心圓金氧半穿隧元件於光感測方面之應用，該元件為一同心圓結構，由內部圓形元件及外環元件所組成。在本論文之第一章介紹了金氧半穿隧元件的基本電性與原理，元件電性對於少數載子數量極為敏感的特性為其能應用在光感測方面的主要原因。本論文之第二章探討了內圓及外環在此同心圓結構中的角色，一般而言，當同心圓金氧半穿隧元件作為光感測器應用時，內圓通常做為感測器而外環作為控制閘。我們交換兩者角色，以外環作為光感測器而內圓做為控制閘，並比較兩種操作方式帶來的結果差別。由於不對稱耦合效應，我們在以外環作為光感測器而內圓做為控制閘時，觀察到較佳的光靈敏度。本論文之第三章，我們進而提出將開路電壓作為光偵測的訊號端，可有效降低元件功耗。當利用開路電壓取代電流作為光偵測訊號時，沒有電流通過光感測器，因此元件功耗得以大幅降低。此外，由於第二章所提及的不對稱耦合效應，光靈敏度在以外環作為光感測器而內圓做為控制閘時，在此開路操作下也有顯著提升，且在弱光環境下尤為明顯。綜上所述，我們透過開路感測操作以及交換傳統內圓和外環的角色 (內閘偏壓外環開路感測)，達到高靈敏度低功耗的同心圓金氧半光感測元件，在弱光偵測上展現相當的應用潛力。
- 學位論文
精準的3D資訊在電腦視覺的眾多應用中是關鍵技術之一，舉凡自駕車、機器人以及擴增實境。隨著影像解析度的提升，深度圖的視差範圍勢必也需要隨著提升。然而，過往的研究多半專注在如何在既有的測資中進行設計，深度圖的視差範圍(disaprity range)增加而緊接帶來的運算複雜度以及記憶體大小的需求增加並沒有著墨太多。絕大多數的硬體架構，並不適用於大視差範圍的情況，隨著視差範圍的增加，運算複雜度以及記憶體(SRAM)大小往往都會成長至無法負荷。在本論文中，我們著重在提供一個可用於大視差範圍的深度偵測系統演算法以及架構設計。本系統包含高硬體與記憶體效能的基於信心傳遞(Belief-propagation)深度偵測模組以及佔用恆量記憶體的深度圖優化模組。 第一個部分提出了用於信心傳遞深度偵測模組高硬體與記憶體的架構。信心傳遞深度偵測演算法因為其規律性以及優良的品質多被選為實現的演算法。然而，我們觀察到目前大多相關架構多因大量記憶體的需求限制以及陷於複雜度以及速度的兩難當中，而無法將其設計擴充支援至更高的視差範圍。這個部份我們提供了兩個技術來分別對應解決這兩個問題。首先，我們藉由觀察信心傳遞演算法的資料特性，設計出高記憶體效能的資料傳遞方式。其次，我們將原有的龐大樹狀比較器架構，置換成由可分享的單位組成，除了大幅降低硬體複雜度之外，同時仍保留低延遲的好處，在現有的架構中取得一個最好的平衡。在這個部分的架構中，可以將所需要的記憶體降低67.8%。在視差範圍達到512時，更可以節省86.2%的邏輯閘，並且不會帶來對於品質的影響。透過實驗，可以顯示所設計的深度偵測架構更能夠適用於高視差範圍的情況。 第二個部分我們提出了一個使用恆量記憶體的深度圖優化硬體架構，可支援極大的高視差範圍，簡稱為CMWMF。這個模組希望解決的是現有深度圖優化引擎都會面臨到的問題：隨著視差範圍隨著影像解析度提升，深度圖優化模組的運算複雜度以及所需要的記憶體大小也同樣的隨之提升。透過觀察以及善用自然圖片中絕大多數都是深度連續的特性，本篇論文提出了可有效降低記憶體需求的硬體架構。此外，我們也希望所提出來的架構能夠支援多種不同的演算法。該架構包含兩項技術，分別為使用恆量記憶體的硬體架構以及可同時支援三種不同的演算法包含權重極值濾波器、權重中位數濾波器、權重平均濾波器。首先，我們藉由保留最具有指標性的資料，在避免儲存過多資料的同時可以同時降低對於結果的影響。其次，我們改善了權重中位數濾波器運算複雜度過大而難以設計硬體架構的問題，並且將三種不同的演算法融合成雷同的資料流動型態。如此一來，所提出的架構能夠支援三種不同的演算法。在架構中採用了索引檢查的機制用於查找並處理亂序的權重統計資料。融合了以上幾種技術，我們提出了一個使用恆量記憶體的深度圖優化硬體架構並且同時可支援三種不同的濾波器。最終結果該架構可以見少92.4%的記憶體需求，並且以幾乎無法觀察到的品質下降作為代價。根據既有的測資包含KITTI、Middlebury以及實際由深度相機拍攝取得的深度圖證明，在我們所提出的方法中除了大幅降低演算法的需求之外，亦有保留足夠的資訊所以並沒有大幅的影響品質。
- 學位論文
近年來，軟體自我測試（Software-Based Self-Test）由於跟生命安全攸關產品和汽車電子產品的高度發展受到更多關注。在本論文中，我們找出更換前一個軟體自我測試方法[1]的待測處理器會發生什麼樣的問題以及解決辦法。從 RISC-V處理器上的實驗結果可以看到，所提出的 SBST方法可以實現 74.36%的轉換延遲錯誤覆蓋率。在這些工作期間，我們發現分支預測會對提出的模板產生了很大影響，因此針對這個問題提出了修改的模板來符合這種技術。而且，在SBST方法中使用到分支有關的操作時，我們提供了更好的定義。此外，為了提高自動化的程度，我們針對當前指令集架構(Instruction Set Architecture, ISA) 配置檔做了修改，並添加了新的配置檔。 通過這個改進的方法，人們可以較少的努力和時間將SBST方法應用在全新的處理器架構上。此外，這個省下來的時間可以針對不同的處理器技術研究對應的新模板。
- 學位論文
軟體自我測試（Software-Based Self-Test）由於能夠在功能模式下進行在線測試，使其在近幾年來引起研究人員的注意。 在本論文中，我們提出了第一個用於軟體自我測試的測試響應壓縮方法，此方法利用了大多數指令集架構（Instruction Set Architecture, ISA）所支持的指令: 邏輯移位和邏輯互斥或（exclusive or, XOR）。此外，相較於透過軟體指令實現內建自我測試（Built-In Self-Test, BIST）中常用於測試響應壓縮的多輸入移位暫存器（Multiple Input Shift Register, MISR），所提出的方法具有 壓縮程式空間小、壓縮時間短、混疊概率特別低（在模擬了約一千五百萬個案例後，依然維持零混疊） 等優點。 透過這篇論文所提出的方法，我們可以在沒有發生混疊的情況下，減少軟體自我測試技術的記憶體使用量，進而提升軟體自我測試的實用性，尤其是對於攸關生命安全的應用上。
- 學位論文
有機發光二極體(OLED)歷經長時間的發展至今已成為顯示、照明產品的重要技術之一。近年來隨著熱激活化延遲螢光(TADF)材料的發展，其低成本、高效率和易於調整分子結構的特性吸引了廣泛的注意和研究。有著TADF材料的助力，有機發光二極體的外部量子效率(EQE)屢創新高，EQE超過30%的元件也已出現。近期的研究指出，高內部量子效率(IQE)、高水平發光偶極比(Horizontal dipole ratio)是達成高EQE的關鍵因素，而此兩因素會大幅地受到分子特性所影響。 在本篇論文的第一部分，我們研究兩種新的TADF藍光材料SOBA和S2OBA的薄膜光物理特性與元件特性，並與已發表過的分子DOBA進行比較。我們的研究表明，SOBA和S2OBA的薄膜其PLQY可分別達88.5%與86.7%，水平發光偶極比可達86%與88%。在與適當的材料搭配且未使用額外的光學出光結構下，兩種分子製成的元件可分別表現出最高29.3%和17.9%的EQE (25.7%、13.1%, at 1000 cd/m2)，同時擁有更藍的光色。 本篇論文的第二部分，我們探討於SOBA的基礎上，另外設計的兩種藍光TADF材料pCzSOBA和mCzSOBA的薄膜光物理特性與元件特性。實驗中兩種分子分別表現出高達87.0%和88.7%的PLQY和86%與81%的水平發光偶極比。兩種分子製成的元件可表現出最高24.0%和24.3%的EQE (18.4%、20.6%, at 1000 cd/m2)，同時擁有與SOBA相似的光色。這些結果有助於發展一系列性能相似的分子，使日後對於TADF材料分子的研究能有更多創新的空間。
- 學位論文
由於人類對於健康維持、醫療照護之需求以及迅速發展之科技，造就了現今醫療物聯網的時代，利用微型化裝置、穿戴式元件等醫療設備，能隨時將身體之健康資訊傳至雲端中，並藉由遠端醫療技術進行監控，以有效管理自己的健康；因此，用以接收生理訊號之感測器即扮演了十分重要的角色，如何設計低功耗、低成本、微型化且具備著高靈敏度的感測器為當前非常熱門之研究方向。其中，透過人體生理液中各種離子濃度，可對許多疾病、症狀進行篩檢，因此若能快速進行生理液中離子濃度的檢測，那麼就可以隨時地掌握自身之健康狀況。 為了達成上述之離子檢測，本論文以台積電0.18μm製程製作之雙閘極離子感測場效電晶體作為量測平台，因其相容於標準CMOS製程而能以低成本進行大量製造且能夠被微型化，故適合應用為醫療物聯網之感測器，此外我們將配製用來模擬生理液之混合溶液，以進行複數離子感測的實驗；然而，由於特定離子之低靈敏度與離子競爭性，我們所採用之感測器無法分辨每種離子所造成的影響，故無法進行濃度值之分析，而傳統上會在感測層沉積離子選擇膜以克服該問題，但是該製程會使成本增加且不易於大量製造。因此本論文提出物理場感測模型之概念，藉由額外之溫度場或電場對感測機制進行非線性轉換，使各種離子種類、濃度於不同溫度場或電場下均有相異之特徵，再結合特徵工程與人工神經網路，將該特徵用於訓練模型，最後訓練完成的感測模型，能成功地推論出混合溶液中每種離子的濃度。由研究結果顯示，透過物理場與演算法之結合，可以使感測器於未來有更上一層樓的能力。
- 學位論文
為了滿足國際行動通訊組織(International Mobile Communications, IMT)於IMT-2020提出的三大應用情境，包含了增強型行動寬頻(Enhanced Mobile Broadband, eMBB)、巨量物聯網通訊(Massive Machine Type Communications, mMTC)，以及超高可靠性與超低延遲通訊(Ultra-Reliable Low Latency Communications, URLLC)，下世代通訊系統在設計上面臨嚴峻的挑戰。在眾多新開發的技術當中，極化碼(Polar Code)是唯一在理論上可以被證明達到通道容量的編碼方式。在2016年，由於其編碼和解碼的低複雜度，極化碼被第三代合作夥伴計畫(3rd Generation Partnership Project, 3GPP)正式選為5G新式無線電(New Radio, NR)中增強型行動寬頻上行和下行的控制通道編碼方式。然而，通訊系統在設計上仍然侷限於過往的框架。近年來，隨著新興的深度學習(Deep Learning, DL)技術在不同領域中皆取得了卓越性能，眾多研究人員也紛紛轉向思考如何利用深度學習技術來輔助下世代通訊系統設計。 在本論文中，我們的目標在於引進DL的優點來輔助極化碼的置信傳播(Belief Propagation, BP)解碼演算法的設計。儘管置信傳播演算法受益於其平行的解碼結構而能達到較高的吞吐量，但其迭代解碼過程可以進一步改善，以實現更低的延遲及更佳的功耗。此外，對於“可訓練的”通訊系統，其遭遇的現實挑戰之一在於物理通道將隨時間發生變化，因此如何在不犧牲頻譜效率的情況下，獲取用於在線適應(Online Adaptation)的訓練數據，已成為深度學習輔助通訊系統領域中最重要的問題之一。最後，與循環冗餘校驗(Cyclic Redundancy Check, CRC)輔助之接續消除名單(Successive Cancellation List, SCL)演算法相比，置信傳播演算法具有較差的誤塊率(Block Error Rate, BLER)，因此其糾錯能力應進一步增強。 為了克服上述挑戰，我們致力於從硬體友善(Hardware-Friendly)設計、適應性(Adaptability)和糾錯能力，這三個不同的面相來改進極化碼解碼器的設計。首先，我們提出了一個具有可重構(Reconfigurable)架構的遞迴神經網絡(Recurrent Neural Network, RNN)輔助極化碼解碼器，該解碼器可以將收斂速度提高8倍，並且可以支援更靈活的多碼長解碼。接著，我們提出了兩種修正過的症損失(Syndrome Loss)，以實現對極化碼的非監督式學習(Unsupervised Learning)，可以避免對標記訓練資料的需求，從而提高頻譜效率。此外，我們也提出了聯合優化(Joint Optimization)機制以增強整體系統的性能。最後，我們更進一步提出一種卷積神經網絡(Convolutional Neural Network, CNN)輔助的位元翻轉(Bit-Flipping, BF)機制，以提高其糾錯能力。透過利用多位元翻轉(Multiple-Bits BF)的優勢，我們的方法可以在更少的翻轉嘗試下，獲得與CA-SCL演算法相當的糾錯性能。 總結來說，本論文提出了多項成功的案例，說明深度學習技術可以輔助通訊系統設計，以克服下世代行動通訊中更嚴格的要求。