[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-119785-pt":3,"doc-seo-119785-112":31,"detail-sidebar-cat-0-pt-112":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},119785,549768064622,"Anda","https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8",32,"Pesquisa e Relatórios","Explorando Predição da Caracterização Elétrica com Machine Learning","Com a evolução da tecnologia de fabricação de circuitos integrados, cresce a necessidade de considerar a variabilidade do processo na caracterização elétrica das células. Essa exigência amplia o tempo de caracterização, pois técnicas tradicionais baseadas em simulações elétricas exaustivas tornam-se mais custosas. O trabalho avalia algoritmos de regressão de aprendizado de máquina como alternativa, analisando regressão linear múltipla, SVR, árvores de decisão e random forest. Os resultados para portas NAND2 e NOT em bulk CMOS prevêem separadamente valores de energia e tempos de propagação, com análise comparativa e tempo de inferência. A árvore de decisão apresentou o menor custo de função e o menor tempo de inferência para todas as variáveis preditas.","Explorando Predição da Caracterização Elétrica com Machine  \nLearning  \nGabriel Lima Jacinto  \n[gabriellimajacinto@gmail.com](gabriellimajacinto@gmail.com)[ ](gabriellimajacinto@gmail.com)Universidade Federal de Santa Catarina Florianopolis, Santa Catarina, Brazil  \nLucas Yuki Imamura  \nUniversidade Federal de Santa Catarina Florianopolis, Santa Catarina, Brazil [lucasyuki@yahoo.com](lucasyuki@yahoo.com)  \nMateus Grellert  \nUniversidade Federal de Santa Catarina Florianopolis, Santa Catarina, Brazil [mateus.grellert@gmail.com](mateus.grellert@gmail.com)  \nCristina Meinhardt  \nUniversidade Federal de Santa Catarina Florianopolis, Santa Catarina, Brazil [cristina.meinhardt@ufsc.br](cristina.meinhardt@ufsc.br)  \nABSTRACT  \nWith the advancement of integrated circuit manufacturing technology, more and more aspects must be considered during the electrical characterization of circuits in order to solve challenges such as process variability effect. This increases the characterization time due to traditional techniques based on exhaustive electrical simulations. The adoption of machine learning techniques already helps digital design at many levels of abstraction. Thus, the main objective of this research is to evaluate machine learning regression algorithms as an alternative to exhaustive electrical simulation in the cell characterization project. In this step, multiple linear regression, support vector regression, decision trees and random forest algorithms were considered. This work presents the results of NAND2 and NOT gates using bulk CMOS technology. Specifically, the energy values and the propagation times of this circuit will be predicted separately. A comparative analysis, together with the inference time, is made for each dependent variable between the models, in order to understand which is the best regression model for the task. The algorithm with the lowest cost function and shortest inference time proved to be the decision tree for all predicted variables in both gates.  \nKEYWORDS  \nNanotecnologia, Caracterização Elétrica, Machine Learning, Variabilidade  \n1 INTRODUÇÃO  \nO constante avanço no processo de fabricação de transistores permite o aumento da capacidade de integração de funcionalidadesem um mesmo projeto, com melhores resultados de desempenho devido aos transistores serem mais rápidos, consumirem menosenergia e ocuparem menor área. Entretanto, esta evolução tambéminsere novos desafios, principalmente ao projetarmos circuitos integrados em tecnologias nanométricas. Um dos maiores desafios nas tecnologias em nodos nanométricos é a variabilidade do processo. Avariabilidade do processo afeta o comportamento normal esperado das células, alterando o atraso e o consumo de energia observados em condições padrões. Juntamente com os efeitos de variabilidadede processo, soma-se o aumento da complexidade das regras de projeto. Consequentemente, as ferramentas de projeto de circuitosintegrados precisam resolver problemas cada vez mais difíceis. Esse  \nproblema vem crescendo exponencialmente, e essas dificuldades refletem diretamente no custo de desenvolvimento de projetos de dispositivos eletrônicos [1] .  \nAssim, a caracterização da célula passa a incluir vários pontos, além dos tradicionais pontos que observam as características elétricas considerando os dispositivos mais rápidos, mais lentos e em condições nominais. Para explorar uma grande variedade de pontos de caracterização possíveis em uma tecnologia alvo, tradicionalmente, os projetistas adotam simulações elétricas exaustivas para todos pontos, observando o impacto nas métricas de atraso e consumo de energia. Assim, aumentar o número de simulações elétricaspara cobrir esses pontos pode se tornar uma tarefa de demanda de grande tempo.  \nTécnicas de aprendizado de máquina podem ser boas alternativas na tentativa de reduzir o tempo de caracterização e os custos para o desenvolvimento de dispositivos eletrônicos. A revisão bibliográfica mostra que ainda há muito espaço ","cbCaikis2GCwavQw","https://ap.wps.com/l/cbCaikis2GCwavQw","pdf",1178995,2,1,8,"Portuguese","pt",112,"# 1 INTRODUÇÃO","[{\"question\":\"Qual é o objetivo principal da pesquisa?\",\"answer\":\"Avaliar algoritmos de regressão de aprendizado de máquina como alternativa às simulações elétricas exaustivas na caracterização de células.\"},{\"question\":\"Quais algoritmos de machine learning foram considerados?\",\"answer\":\"Foram analisados regressão linear múltipla, support vector regression (SVR), árvores de decisão e random forest.\"},{\"question\":\"O que foi previsto para as portas NAND2 e NOT?\",\"answer\":\"Os valores de energia e os tempos de propagação foram previstos separadamente.\"}]","Explorando Predição da Caracterização Elétrica com Machine Learning | PDF",1785726293,12,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"exploring-prediction-of-electrical-characterization-with-machine-learning","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/pt/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/pt/document/exploring-prediction-of-electrical-characterization-with-machine-learning/119785/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-11","2026-08-03",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Qual é o objetivo principal da pesquisa?","Question",{"text":76,"@type":77},"Avaliar algoritmos de regressão de aprendizado de máquina como alternativa às simulações elétricas exaustivas na caracterização de células.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Quais algoritmos de machine learning foram considerados?",{"text":81,"@type":77},"Foram analisados regressão linear múltipla, support vector regression (SVR), árvores de decisão e random forest.",{"name":83,"@type":74,"acceptedAnswer":84},"O que foi previsto para as portas NAND2 e NOT?",{"text":85,"@type":77},"Os valores de energia e os tempos de propagação foram previstos separadamente.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,115,119,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},26,"Contos e Romances",60,"story-novel",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},46,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},28,"Exames","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},47,"Geral","general",{"id":112,"doc_module":4,"doc_module_name":47,"category_name":113,"show_sort_weight":97,"slug":114},29,"Histórias em Quadrinhos","comic",{"id":116,"doc_module":4,"doc_module_name":47,"category_name":117,"show_sort_weight":97,"slug":118},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":120},"research-report",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},33,"Religião e Espiritualidade","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},31,"Saúde e Cuidados","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},45,"Tecnologia","technology"]