背景
噪声整形 SAR ADC 在低过采样率下能逼近 Σ-Δ 的精度，但其闭环结构对电容失配、积分器系数和比较器失调极其敏感。常用的 LMS 后台校准在系数空间是线性的，难以同时纠正不同阶非线性互相耦合的失真分量。
方法
把 ADC 视为一个未知的非线性映射 $f: \mathbf{d} \to v_\text{in}$，用 KAN（Kolmogorov–Arnold Network）的可微样条节点学习其逆映射。相比 MLP，KAN 把激活搬到边上、节点只做加法，使每条非线性都可视化、可剪枝，便于物理诊断。
当前进展
- 完整 Python 行为级模型（采样、量化、噪声整形 NTF、Mismatch 注入）
- KAN 校准器训练流水线 + benchmark：在 ±2% 电容失配下从 9.4 → 12.1 ENOB
- 与传统多项式 / MLP 校准器三方对比
下一步
- 把 KAN 校准映射量化为查表，评估 RTL 实现的硬件代价
- 联仿真：用 TSMC55 设计的真实 SAR 后端替换行为模型，验证晶体管级一致性