基于深层神经网络模型及其外推技术的微波器件自动建模方法

Accurate and efficient models of microwave devices are vital to microwave circuit design. With the continuous improvement of frequency and performance of microwave circuits, the requirements for microwave device models are becoming higher and higher, such as models with high dimensionality, wide working range and high degree of nonlinearity. To satisfy these requirements, we introduce the concept of deep learning into microwave modeling area for the first time, and propose an automated modeling method for microwave devices based on deep neural network models and extrapolation techniques. The proposed method includes following two aspects. 1) A hybrid deep neural network structure with multiple hidden layers and a novel training method are proposed to learn the training data which can represent characteristics of microwave devices. After training, a deep neural network model with high dimensionality, good accuracy and fast calculation speed is finally achieved. 2) An extrapolation technique based on deep neural network models is proposed. We use the responses of the deep neural network model inside the training range to extrapolate and obtain the response tendency of the model outside the training range. After extrapolation, the working range of the deep neural network model is expanded, and the deep neural network can be more reliable even when it is used outside the training range in the high-level microwave circuit simulation and design. 3）We propose an automated modeling program for deep neural network modeling and extrapolation, which can provide an effective means for the simulation and design of larger-scale circuits.

精确高效的微波器件模型在微波电路设计中至关重要。随着微波电路频率和性能的不断提高，对器件模型的要求也越来越高，如高维度、大使用范围、高可靠性等要求。为满足这些需求，本项目首次将深度学习概念引入微波器件建模领域，提出基于深层神经网络模型及其外推技术的微波器件自动建模方法，主要包括：1）提出一种新型的混合型深层神经网络及其训练方法，来学习通过自适应采样方法获得的代表微波器件特性的训练数据，最终得到维度高、精度高、计算速度快的器件模型；2）提出基于深层神经网络模型的外推技术，将训练区域内的器件模型响应通过外推扩展到训练区域外，获得模型在训练区域外的响应趋势，从而扩大模型的有效工作范围，使模型能够更可靠地应用于更大规模的微波电路仿真与设计中；3）通过编写自动建模程序将以上两部分内容进行整合，形成高效和全自动化的深层神经网络建模及外推方法，为更大规模电路的仿真和设计提供有效的器件模型方案。

本项目研究适于微波器件的深层神经网络自动建模方法及模型外推技术，研究计划中的各项研究内容均已顺利完成，并取得了预期的研究成果，具体包括：（1）提出了适用于微波器件建模的多种深层神经网络模型结构和训练方法，最终得到能够精确表示微波器件复杂、连续、高度非线性的器件特性的精确深层神经网络模型；（2）提出了一种新型的非网格式自适应采样方法，成功解决了高维度微波器件建模问题中，很难人为地同时确定不同维度中训练数据的最佳采样位置的问题，在保证建模精度的同时，节省建模成本；（3）采用外推方法实现了高效地将训练区域内的器件模型响应外推扩展到训练区域外，一次性获得模型在训练区域外的全部响应趋势，实现用神经网络的外推方法来解决高维度、大范围、高复杂度的微波器件建模问题；（4）提出了结合并行计算和自适应模型结构调整算法的神经网络自动建模方法，并完成适用于微波器件的神经网络自动建模程序的开发和验证, 进一步提高了微波器件的神经网络模型开发效率；（5）提出了一种基于贝叶斯算法的微波器件快速优化方法，不但解决了电磁优化中局部优化方法容易因为优化起点不佳而陷入局部最优解的问题，同时避免了现有全局优化方法的收敛速率总是相对较低的问题，从而有效指导微波器件的设计优化过程。反映以上创新内容的研究成果发表于16篇高水平学术论文（其中一作/通讯作者论文11篇，SCI期刊论文13篇）和4项发明专利中，可应用于微波器件的仿真与设计中，例如5G芯片、AI芯片、汽车电子、物联网等。本项目的研究成果为进一步设计更高层次的电路级别甚至系统级别的微波毫米波产品提供可能，有助于提高国产先进集成电路设计与半导体装备关键技术水平，加速实现我国集成电路芯片自主研发，对于国家高容量大速率低时延5G通信网络的快速建设、6G通信网络的战略部署、加速国家的现代化科技化发展等方面有积极的促进作用。

内容获取失败，请点击重试