新火種
2025-01-10 
逆向設計電路，深度學習開辟全新的自動綜合道路
編輯丨&
在過去的二十年里，射頻、毫米波和亞太赫茲集成電路和系統取得了巨大進步，展示了復雜的相控陣和多輸入、多輸出 （MIMO） 陣列與芯片級系統。
全新智慧功能的設計與達成離不開芯片的設計，這其中又包含一系列復雜的設計流程。這些流程構成了構成了集成有源電路元件和無源電磁 （EM） 結構的協同設計和優化。
這些過程彼此不同，因其不同的預選模式與規則的幾何形狀。更依賴于直覺，這些設計方法具有一組有限參數，通過耗時費力的方法進行掃描或啟發式學習等進行優化。
這類設計空間的復雜性使得窮舉優化站不住腳。所以，來自美國普林斯頓大學與印度理工學院的聯合團隊展示了一種通用的逆向設計方法，用于具有設計輻射和散射特性的任意形狀復雜多端口電磁結構，與有源電路共同設計。
他們的研究結果以「Deep-learning enabled generalized inverse design of multi-port radio-frequency and sub-terahertz passives and integrated circuits」為題，于2024 年 12 月 30 日刊登于《Nature Communications》。
基于深度學習的模型，通過復雜毫米波無源結構和端到端集成毫米波寬帶電路的幾個示例來演示，所提出的逆向設計方法可在幾分鐘內生成設計，在開辟一個新的、以前無法進入的設計空間方面產生變革性成果。
全新方法的介紹
對于現有的高頻電路設計問題，還沒有太好的通用合成辦法。具有固定模板、手工設計和臨時參數掃描的自下而上的迭代設計方法有幾個限制。
目前來看，尚不清楚縮小的設計與權衡空間里，在效率、緊湊性、光譜范圍覆蓋范圍或其他性能參數方面是否接近最佳。由于與儲能元件相關的損耗，這些設計的結構中的大多數通常都遠離基本極限。因此，團隊設想，在傳統幾何布局之外的設計空間里可能會產生更加顯著的改進結果。
在這里，他們提出了一種在幾分鐘內合成任意形狀的平面多端口 RF/sub-THz EM 結構的通用方法，基于深度學習的正演建模使搜索這種廣泛大型設計空間的方法成為可能。
當與電路共同設計時，這可以為端到端 RF/sub-THz IC 的自動綜合開辟一條道路，有可能實現超出最先進的基于模板的電路能力的性能。
在光子學領域，逆向設計的器件大多是具有標準波導接口的無源結構，可通過定制的頻率響應實現特定功能。要實現優化的端到端設計流程，需要考慮有源無源器件的復雜阻抗、放大能力以及它們的相互作用。
團隊利用了一組基于深度學習的模型來準確預測任意平面 EM 結構的散射和輻射特性。這是邁向復雜 RF/sub-THz 電路的 AI 支持逆向設計方法的第一步，它將通過消除模板幾何形狀、設計人員體驗、試錯和臨時優化方法的限制來開辟新的設計空間。
深度學習與逆向設計
這是邁向復雜 RF/sub-THz 電路的 AI 支持逆向設計方法的第一步，它將通過消除模板幾何形狀、設計人員體驗、試錯和臨時優化方法的限制來開辟新的設計空間。
通過啟發式算法（如遺傳算法 GA、模擬退火）或生成式 AI 工具來實現的仿真中，可以將預測模型與生成式 AI 框架或 RL 一起使用。從隨機結構開始，可以通過演化過程實現對候選解決方案的快速收斂。
AI 的超參數選擇對于確保優化循環的探索性策略至關重要。當前種群的最優值將會被直接轉移到下一代，以此來保證單調的成本進一步降低。
除了多端口電磁結構的逆向綜合，團隊還演示了初始結構如何演變為最終結構以接近所需的性能。在本次演示中可以觀察到，最初大多數人口是隨機分布的，隨著世代的進化，結構向目標點移動，最終接近所需的性能。
與數據集中的樣本相比，逆向設計解決方案可以在通帶和阻帶要求之間提供更好的權衡，同時實現近乎完美的幅度和相位平衡。
此外，團隊還證明了，通過對不同的設計目標使用逆向設計，可以非常快速地攤銷訓練數據集生成的初始計算成本。
與傳統的基于 EM 仿真的元啟發式方法相比，卷積神經網絡 CNN 輔助逆向設計可以將設計時間從幾周縮短到幾分鐘，從而顯著減少綜合時間和資源。
此外，一旦模型經過訓練，它就可以重新用于不同的設計目標，這與基于 EM 的優化形成鮮明對比，后者需要針對不同的目標組執行一組新的模擬。
圖示：深度學習支持的逆向設計與基于電磁仿真的啟發式優化之間的資源和設計時間比較。（圖源：論文）
顯而易見的是，逆向綜合方法使團隊能夠使用電路功能所需的定制散射參數來探索這類復雜結構。超越傳統的匹配網絡，所提出的方法提供了對一類新型復雜多端口電磁結構的訪問。
結語
廣義的多端口逆向設計方法，可以捕獲輻射和非輻射行為，以及可以使用有源器件、不同激勵和邊界條件激發或利用的多個端口，對于利用任意幾何結構和電路的新設計空間至關重要。
此外，前向模型可以展示泛化和學習能力。遷移學習方法可以快速移植到不同的介電堆棧、邊界框大小或頻率范圍。
通用方法允許在許多設計電路中分攤仿真和訓練時間，同時不受特定狹窄設計集的限制。訓練完成后，綜合可在幾分鐘內達到目標規格。
團隊相信，這種方法不僅開辟了一個新的設計空間，具有以前無法實現的性能，而且還為快速和自動化地綜合復雜的 RF/sub-THz 電路和系統提供了一條途徑。
論文鏈接：https://www.nature.com/articles/s41467-024-54178-1
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
