Bei der Verifikation von Mixed-Signal-ICs ist die Power-Analyse ein Punkt, der viel Zeit in Anspruch nimmt und somit die Entwicklungszeit eines neuen Chips verlängert. In dieser Arbeit wird eine Alternative für die Power-Analyse vorgestellt. Diese enthält drei Machine-Learning Ansätze für die Power-Modellierung. Dabei soll basierend auf Anwendungsszenarien einer Schaltung von Signalkurven auf die Leistungsaufnahme dieser Schaltung geschlossen werden. Das daraus gelernte Modell kann auf andere Anwendungsszenarien angewendet werden, um deutlich schneller als die Power-Analyse eine Schätzung für die Leistungsaufnahme zu berechnen.

Die drei Ansätze umfassen eine Elastic-Net-Regression mit Interaktionstermen, einen MLPRegressor sowie eine Lineare Regression mit Interaktionstermen und relativem Fehlermaß. Sie werden in Python unter Verwendung etablierter Machine-Learning-Module implementiert. Die Regressionsansätze werden auf unterschiedliche Datensätze angewendet. Die entstandenen Modelle werden dann anhand verschiedener statistischer Metriken verglichen und anhand weiterer Rahmenbedingungen auf Sinnhaftigkeit überprüft. Dabei konnten zwei Ansätze mit guten bis sehr guten Ergebnissen überzeugen: Die Elastic-Net-Regression und der MLPRegressor. Die Regression mit relativem Fehlermaß ist mit der aktuellen Implementierung nicht in der Lage, sinnvolle Modelle zu trainieren.

Allerdings bestehen noch einige Möglichkeiten, auch diesen Ansatz zu verbessern. Diese Arbeit ist folglich in der Lage, einen guten Ausgangspunkt für eine Alternative zur herkömmlichen Power-Analyse anzubieten.

During the development of Mixed Signal ICs, Power Analysis is a very time-consuming process that elongates the development time of new chips. This thesis presents an alternative approach to Power Analysis with three different Machine Learning techniques for Power Modeling. Based on one application scenario for a circuit, signal waveforms and power traces are generated. The models will learn the correlation between the signal waveforms and the power traces to be able to apply them to other scenarios. The three approaches include an Elastic Net Regression with interaction terms, an MLPRegressor, and a Linear Regression with interaction terms and a relative error metric. They were implemented in Python using established machine learning modules. The models were trained and evaluated on various datasets and compared using statistical metrics, whilst keeping track of additional criteria to assess their suitability. The results show that two of the approaches can achieve good to very good performances: the Elastic Net Regression and the MLPRegressor. The Linear Regression approach with a relative error metric is unable to produce meaningful models with the current implementation. However, several optimization possibilities remain to improve this approach. In conclusion, this work can offer a starting point as an alternative to conventional power analysis.