逆向设计电路，深度学习开辟全新的自动综合道路

将 ScienceAI 设为星标

第一时间掌握

新鲜的 AI for Science 资讯

编辑丨&

在过去的二十年里，射频、毫米波和亚太赫兹集成电路和系统取得了巨大进步，展示了复杂的相控阵和多输入、多输出 （MIMO） 阵列与芯片级系统。

全新智慧功能的设计与达成离不开芯片的设计，这其中又包含一系列复杂的设计流程。这些流程构成了构成了集成有源电路元件和无源电磁 （EM） 结构的协同设计和优化。

这些过程彼此不同，因其不同的预选模式与规则的几何形状。更依赖于直觉，这些设计方法具有一组有限参数，通过耗时费力的方法进行扫描或启发式学习等进行优化。

这类设计空间的复杂性使得穷举优化站不住脚。所以，来自美国普林斯顿大学与印度理工学院的联合团队展示了一种通用的逆向设计方法，用于具有设计辐射和散射特性的任意形状复杂多端口电磁结构，与有源电路共同设计。

他们的研究结果以「Deep-learning enabled generalized inverse design of multi-port radio-frequency and sub-terahertz passives and integrated circuits」为题，于 2024 年 12 月 30 日刊登于《Nature Communications》。

基于深度学习的模型，通过复杂毫米波无源结构和端到端集成毫米波宽带电路的几个示例来演示，所提出的逆向设计方法可在几分钟内生成设计，在开辟一个新的、以前无法进入的设计空间方面产生变革性成果。

全新方法的介绍

对于现有的高频电路设计问题，还没有太好的通用合成办法。具有固定模板、手工设计和临时参数扫描的自下而上的迭代设计方法有几个限制。

目前来看，尚不清楚缩小的设计与权衡空间里，在效率、紧凑性、光谱范围覆盖范围或其他性能参数方面是否接近最佳。由于与储能元件相关的损耗，这些设计的结构中的大多数通常都远离基本极限。因此，团队设想，在传统几何布局之外的设计空间里可能会产生更加显著的改进结果。

在这里，他们提出了一种在几分钟内合成任意形状的平面多端口 RF/sub-THz EM 结构的通用方法，基于深度学习的正演建模使搜索这种广泛大型设计空间的方法成为可能。

当与电路共同设计时，这可以为端到端 RF/sub-THz IC 的自动综合开辟一条道路，有可能实现超出最先进的基于模板的电路能力的性能。

在光子学领域，逆向设计的器件大多是具有标准波导接口的无源结构，可通过定制的频率响应实现特定功能。要实现优化的端到端设计流程，需要考虑有源无源器件的复杂阻抗、放大能力以及它们的相互作用。

团队利用了一组基于深度学习的模型来准确预测任意平面 EM 结构的散射和辐射特性。这是迈向复杂 RF/sub-THz 电路的 AI 支持逆向设计方法的第一步，它将通过消除模板几何形状、设计人员体验、试错和临时优化方法的限制来开辟新的设计空间。

深度学习与逆向设计

这是迈向复杂 RF/sub-THz 电路的 AI 支持逆向设计方法的第一步，它将通过消除模板几何形状、设计人员体验、试错和临时优化方法的限制来开辟新的设计空间。

通过启发式算法（如遗传算法 GA、模拟退火）或生成式 AI 工具来实现的仿真中，可以将预测模型与生成式 AI 框架或 RL 一起使用。从随机结构开始，可以通过演化过程实现对候选解决方案的快速收敛。

AI 的超参数选择对于确保优化循环的探索性策略至关重要。当前种群的最优值将会被直接转移到下一代，以此来保证单调的成本进一步降低。

除了多端口电磁结构的逆向综合，团队还演示了初始结构如何演变为最终结构以接近所需的性能。在本次演示中可以观察到，最初大多数人口是随机分布的，随着世代的进化，结构向目标点移动，最终接近所需的性能。

与数据集中的样本相比，逆向设计解决方案可以在通带和阻带要求之间提供更好的权衡，同时实现近乎完美的幅度和相位平衡。

此外，团队还证明了，通过对不同的设计目标使用逆向设计，可以非常快速地摊销训练数据集生成的初始计算成本。

与传统的基于 EM 仿真的元启发式方法相比，卷积神经网络 CNN 辅助逆向设计可以将设计时间从几周缩短到几分钟，从而显著减少综合时间和资源。

此外，一旦模型经过训练，它就可以重新用于不同的设计目标，这与基于 EM 的优化形成鲜明对比，后者需要针对不同的目标组执行一组新的模拟。

图示：深度学习支持的逆向设计与基于电磁仿真的启发式优化之间的资源和设计时间比较。（图源：论文）

显而易见的是，逆向综合方法使团队能够使用电路功能所需的定制散射参数来探索这类复杂结构。超越传统的匹配网络，所提出的方法提供了对一类新型复杂多端口电磁结构的访问。

结语

广义的多端口逆向设计方法，可以捕获辐射和非辐射行为，以及可以使用有源器件、不同激励和边界条件激发或利用的多个端口，对于利用任意几何结构和电路的新设计空间至关重要。

此外，前向模型可以展示泛化和学习能力。迁移学习方法可以快速移植到不同的介电堆栈、边界框大小或频率范围。

通用方法允许在许多设计电路中分摊仿真和训练时间，同时不受特定狭窄设计集的限制。训练完成后，综合可在几分钟内达到目标规格。

团队相信，这种方法不仅开辟了一个新的设计空间，具有以前无法实现的性能，而且还为快速和自动化地综合复杂的 RF/sub-THz 电路和系统提供了一条途径。

论文链接：https://www.nature.com/articles/s41467-024-54178-1