SKADA | DRAM 내부 회로의 파형 예측 (1)

프로젝트 소개

회로에 인가한 입력 전압 파형(picosecond 단위)으로부터 5가지 출력 전압 파형 예측
일반적으로 Buffer 회로 시뮬레이션을 통해 출력 파형의 특성을 확인하지만, 실험 자원이나 시간 제약으로 인해 대량의 데이터를 처리하기에 어려움이 있음
딥러닝을 이용해 시계열 데이터의 회귀 모델을 학습해, 대량의 데이터를 효율적으로 처리 가능

Untitled

회로에 인가한 입력 전압 파형과 5가지 출력 전압 파형을 picosecond 단위로 기록 → 시계열 데이터
시계열 데이터 : 시간에 걸쳐 순차적으로 기록되고 배열되는 데이터
대표적인 시계열 데이터 : 주가 데이터, 연도별 기온 데이터, 자연어
전압 파형 데이터를 0부터 64만 picosecond까지의 데이터를 얻은 후 45만은 학습용 데이터로 잘라서 사용하고, 테스트는 45만부터 64만까지 사용
전압 파형 데이터를 0부터 64만 피코세컨드까지의 데이터를 얻은 후 45만 은 학습용 데이터로 잘라서 사용, 테스트는 45부터 64만 까지 사용한다.

활용성 높은 라이브러리들이 잘 구축되어 있어 데이터 분석에 적합
R
- 오픈 소스(무료)
- 일반적으로 MATLAB보다 빠르고, 파이썬보다 느림
- 통계 분석과 특화
MATLAB
- 상업 프로그램(유료)
- 수식 계산 및 시각화 특화
- 쉬움
Python
- 오픈 소스(무료)
- 다양한 목적에 적합
- 일반적으로 가장 빠름
- 신경망 모델을 사용하기에 가장 적합
Pandas
- txt, csv, excel, json, sql 등의 tabular data을 읽고 처리하기에 적합
- 2차원 데이터를 dataframe 데이터 구조를 활용해 효율적으로 처리
NumPy
- 대규모 수치 데이터를 처리하기에 적합
- C언어 기반으로 작성되어 빠르며, Pandas는 Numpy를 기반으로 작성됨
- Pandas로 읽어온 데이터를 numpy ndarray로 변환해 머신러닝 등 이후 task 진행
Matplotlib : 데이터를 쉽고 빠르게 그래프로 시각화 가능
Scikit-learn : 분류, 회귀, 클러스터링, 차원 축소 등과 관련한 다양한 알고리즘을 코드 몇 줄로 생성 가능
PyTorch
- Facebook에서 개발
- 파이썬에서 활용 가능한 오픈소스 신경망 라이브러리
- Tensorflow와 더불어 가장 많이 사용되는 신경망 라이브러리