¿Cómo se puede aplicar el aprendizaje automático al diseño de circuitos analógicos?

Buena pregunta.

La forma en que veo que sucede es usar un microcontrolador que ejecuta un script de aprendizaje automático (escrito en Python o en algún otro idioma) que controla el PWM de un interruptor que controla la cantidad de corriente de polarización en un amplificador operacional o que controla el parámetros de compensación como capacitancia de polo dominante, etc.
De esta manera, a medida que el entorno cambia con los cambios de temperatura y humedad y otras cosas, el circuito que ha sido “entrenado” para pensar de cierta manera responderá y cambiará los parámetros, lo que le dará mucha más personalización de la que tiene actualmente.

En un circuito que diseñamos en la Universidad, utilizamos interruptores externos en una PCB para cambiar las corrientes de polarización en nuestro LDO, de esta manera podríamos hacer que funcione en la región que queramos, como alta velocidad, alta potencia o baja velocidad, baja potencia o alta velocidad de respuesta, etc. El siguiente paso habría sido utilizar un algoritmo de aprendizaje automático para controlar estos interruptores.

La única advertencia para esto es que todas estas cosas adicionales del microcontrolador son buenas para la creación de prototipos, ya que pueden causar una sobrecarga significativa para los circuitos integrados de producción. Necesito pensar más sobre eso …

No tanto para ser honesto. Ha sido probado Y funciona en casos de esquina específicos que no tienen aplicabilidad general a ninguna industria.

En general, desea cosas específicas y se requieren estructuras específicas para lograrlas, PERO pequeños cambios en los detalles de los requisitos del problema o las tecnologías de solución disponibles o la creatividad del implementador pueden cambiar trivialmente la factibilidad y el costo de manera muy radical. Parte del problema con el aprendizaje automático son los mínimos locales en espacios de alta derivación que tienden a no funcionar bien en estas circunstancias; por lo general, un ingeniero analógico de alto nivel puede diseñar círculos alrededor de esos límites. Principalmente porque la mayoría de los ML son simplemente “solucionadores lineales”, pero el espacio del problema es no lineal y multivariante.

Algunos casos en los que ML (específicamente algoritmos genéticos) han resuelto problemas que los simples humanos no pueden involucrar cosas como “antenas fractales” o problemas similares de optimización de alta complejidad que no tienen metodologías de análisis específicas definidas. El problema es que, aunque son interesantes, las antenas fractales no son a menudo o genéricamente útiles para nada más que aplicaciones de nicho.