CN115809624B - 一种集成电路微带线传输线自动化分析设计方法 - Google Patents
一种集成电路微带线传输线自动化分析设计方法 Download PDFInfo
- Publication number
- CN115809624B CN115809624B CN202310049657.6A CN202310049657A CN115809624B CN 115809624 B CN115809624 B CN 115809624B CN 202310049657 A CN202310049657 A CN 202310049657A CN 115809624 B CN115809624 B CN 115809624B
- Authority
- CN
- China
- Prior art keywords
- design
- parameters
- microstrip line
- parameter
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000004458 analytical method Methods 0.000 title claims abstract description 82
- 230000005540 biological transmission Effects 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 14
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 31
- 238000004088 simulation Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 239000004020 conductor Substances 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 11
- 239000002184 metal Substances 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 4
- 238000006467 substitution reaction Methods 0.000 description 8
- 238000001308 synthesis method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了一种集成电路微带线传输线自动化分析设计方法，基于深度学习技术进行微带线分析和综合，通过构建深度学习神经网络微带线分析模型作为替代模型，用于准确高效地根据微带线设计参数预测微带线特性参数；构建基于神经网络的生成模型用于微带线综合，包括设计参数生成，优化和选择。采用本发明的技术方案，大大加速了神经网络模型训练过程，可以更加准确且高效地预测得到符合微带线特性参数设计目标的设计参数。
Description
技术领域
本发明涉及微波信号传输技术，尤其涉及一种基于深度学习技术的微带线传输线（microstrip transmission line，MTL）分析与综合方法（analysis and synthesis），属于集成电路设计自动化（electronicdesign automation）技术领域。
背景技术
微带线是一种可以传输微波信号的常见传输线，广泛用于现代微波集成电路和高速数字 PCB 设计。微带线由构建在电介质绝缘层上平行于接地平面的扁平金属导体组成。通过改变导体的长度、宽度和电介质的介电常数等电学和几何参数，微带线可以实现不同的传输特性，用作微波无源元件、集总微带元件和封装中的传输介质。
关于微带线的研究工作可以分为分析和综合技术。分析的目标是在给定电学和几何参数的情况下模拟微带线的特征阻抗、传播常数和其他特性参数。以往的微带线分析工作可以分为三种。第一种严格模拟依靠数值方法来精确计算特性参数，但非常耗时。这一类严格电磁仿真工具包括芯和公司开发的传输线仿真工具（TmlExpert, Transmission LineExpert），安世亚太（Ansys）公司开发的高频结构仿真（HFSS, High Frequency StructureSimulator）等。为了加速分析，第二种方法包括很多近似表达式，但这些方法往往仅对特定结构成立，局限性较强。为了平衡准确性、效率和通用性，出现了第三种基于机器学习的方法，根据严格模拟的结果训练替代模型。给定微带线的电学和几何参数，第三种方法采用的替代模型可以快速准确地预测对应的特性参数。
综合技术可以看作是分析的逆过程，旨在根据给定的目标特性参数，也称为设计规范（design specification），反推出符合条件的微带线电学和几何参数。现有综合方法可以分为两种。一种是根据微带线特性参数的闭式解析表达式或替代模型迭代优化设计参数，这种方法往往精确度较高，但是比较耗时，并且适用的设计空间不够大，难以处理复杂结构。另一种是端到端深度学习算法，可以在给定设计规范的情况下直接预测需要设计的参数，避免了耗时的迭代优化，但往往精确度不高，并且微带线结构越复杂效果越差。
但是上述现有综合方法仍然存在一定缺陷。首先，电路设计者对结果的质量要求非常高，往往追求设计参数对应的特性参数与设计规范极度匹配（<0.5% 相对误差）。 其次，设计者往往希望根据某些先验知识对设计参数施加设计约束，例如限制某些参数的范围，偏置某些特性参数。最后，大多数方法都只关注简单的微带线结构，如单端微带线，而没有在复杂的结构（比如差分传输线，耦合微带线组成的波导等）下进行验证。
因此，现有技术尚缺乏一种能够精确地满足设计规范和设计约束，并适用于复杂微带线结构的微带线分析和综合算法，难以有效支持微波集成电路的自动化设计。
发明内容
为了克服上述现有技术的不足，本发明提出了一种集成电路微带线传输线自动化分析设计方法，是一种基于深度学习技术的微带线传输线分析和综合的方法。该方法结合了深度生成模型和基于神经网络的替代模型，可以在给定设计规范和设计约束的情况下，设计大量可行的微带线电学和几何参数。经过严格模拟工具验证，该方法可以准确高效地预测微带线特征阻抗，并在短时间内提供多组可行的设计参数，特征阻抗精度>99.6%。
本发明提出的方法如下：
一种集成电路微带线传输线自动化分析设计方法，基于深度学习技术进行微带线分析和综合。在分析方面，通过创建深度学习神经网络模型作为替代模型，本发明方法可以准确高效地预测微带线特征阻抗。在综合方面，本发明使用基于神经网络的深度生成模型根据设计者需求进行设计参数生成，优化和选择。完整的流程包括模型训练和微带线综合设计两部分，其中模型训练包括如下步骤：
1）确定设计空间：根据设计者的需要，明确微带线的有待设计的电学和几何设计参数，以及设计参数的取值范围；
2）通过拉丁超立方采样方法，生成初始训练数据和测试数据；
3）创建深度学习神经网络微带线分析模型，初始训练模型，并优化模型超参数：
创建作为替代模型的深度学习神经网络微带线分析模型（以下简写为微带线分析模型），创建的微带线分析模型需要进行训练才能使用，本发明具体实施时，微带线分析模型使用Python编程语言的pytorch框架部署，采用Adam优化器训练，结合Python编程语言的超参数调优器（optuna 库）进行超参数优化，得到最佳的神经网络分析模型结构；
4）设计自适应采样方法对数据进行选择，扩充步骤2）中生成的微带线分析模型的训练数据：
在步骤2）中，为了确定微带线分析模型的结构超参数，生成了初始的训练数据集进行初步训练，但这一步得到的分析模型往往预测不够准确。为了提高分析模型的准确度，本发明方法提出了一种自适应采样算法，可以分多次主动选择具有代表性的样本，进行严格模拟，对初始训练数据集进行扩充，以此训练更准确的微带线分析模型。本发明方法中的严格模拟是指利用前述严格电磁仿真工具计算微带线特性参数。
该自适应采样过程中，每次都首先根据现有训练数据集（第一次为初始训练数据集，之后为扩充过的训练数据集）训练两类模型：微带线分析模型和微带线交叉验证模型。微带线分析模型是为了预测给定微带线设计参数对应的特性参数，交叉验证模型是为了评估分析模型预测结果的方差，即不确定度。两者的网络结构和超参数与步骤3）中得到的微带线分析模型一致，但是在训练时会分别从训练数据集中选择不同的数据（参考具体实施方式中的采样和训练部分）。接着生成大量随机的候选参数点，对每个候选参数点都利用训练好的微带线分析模型和交叉验证模型进行打分，打分标准包括参数均匀性、目标特性均匀性和分析预测方差。最终选出得分最高的一批参数点进行严格模拟，并将结果加入现有训练数据集中。重复以上过程直至微带线分析模型的分析精度达标或达到重复次数上限。
5）构建深度生成模型并进行模型训练和超参数优化：
本发明方法构建基于条件变分自编码器的深度生成模型并进行模型训练，训练好的模型可以为待设计的微带线传输线生成多组可行的设计参数。利用步骤4）自适应采样扩充过的训练数据集，基于pytorch框架训练深度生成模型，并结合optuna库进行模型超参数优化，得到最终训练好的深度生成模型。
创建的深度生成模型中，条件自动编码器分为编码器和解码器两个不同的全连接神经网络。编码器输入设计参数和对应的特性参数，将其编码成参数数据潜表示，参数数据潜表示服从高斯分布；解码器输入参数数据潜表示和特性参数，输出对应的设计参数。深度生成模型的训练目标是最小化参数数据潜表示分布与标准高斯分布的KL散度，以及最小化解码器输出的设计参数和编码器输入的设计参数之差。
6）设计综合方法：
在微带线综合时，本方法只需要输入设计目标，包括设计规范（所需要的微带线特性参数）和设计约束。之后步骤5）中训练好的深度生成模型自动生成多组初始设计参数，通过步骤4）中训练好的基于神经网络的微带线分析模型进行基于梯度下降的设计参数优化，并结合梯度投影方法和惩罚函数方法使得设计参数满足设计约束。最后基于步骤4）中得到的微带线模型和交叉验证模型可以评估每组设计参数的可信度，即设计参数对应的真实特性参数和目标特性参数的偏差，选择可信度最高的解作为最终解。
综合方法具体包括：
61）利用深度生成模型的解码器进行初始设计，生成初始设计参数；
深度生成模型的解码器将首先根据给定的设计规范（即所需的微带线特性参数
）和从标准高斯分布中随机采样的参数数据潜表示生成初始设计参数，一组参数数据潜表示生成一组初始设计参数
；
62）采用基于梯度下降算法的优化设计方法对设计参数进行优化，生成多组可行设计参数解；
设计损失函数，再对损失函数求梯度，并利用无约束梯度下降方法更新设计参数以尽量减小该损失，有效降低设计参数对应的特性参数和目标特性参数之间的偏差；
在上述无约束梯度下降算法的基础上引入设计约束，分为三类：线性方程、线性不等式和软约束；使设计参数满足三类设计约束；
63）根据计算的置信度指标获取最终的设计参数解；
为了评估每组设计参数对应的真实特性参数和目标特性参数的接近程度，本发明提出一种度量方式（置信度），置信度指标（degree of confidence）计算预测的特性参数所满足的高斯分布（均值由前述微带线分析模型预测，方差由前述的交叉验证模型评估）和围绕目标特性参数的均匀分布（分布方差由设计者给定）之间的KL散度。最后将所有的设计参数解根据对应的置信度排序，并选出置信度最高的设计参数解作为最终的设计参数。
通过上述步骤，可以实现集成电路微带线的分析和综合，得到集成电路微带线传输线自动化分析设计参数。
与现有技术相比，本发明的有益效果包括：
本发明提供的集成电路微带线传输线自动化分析设计方法，基于深度学习技术进行微带线分析和综合，通过构建深度学习神经网络微带线分析模型作为替代模型，用于准确高效地预测微带线特征阻抗；构建基于神经网络的生成模型用于微带线综合，包括设计参数生成，优化和选择。本发明通过创建定制神经网络作为微带线分析替代模型，相比于现有方法可以更加准确且高效地预测微带线的特性参数，包括特征阻抗、差分阻抗等。本发明通过结合深度生成模型和神经网络替代模型进行设计参数的生成，优化和选择，可以快速提供符合设计目标的设计参数，精度经过严格仿真工具验证，可以达到>99.6%。本发明提出了一种自适应采样算法，可以高效地为神经网络模型的训练提供有代表性的数据，相比于现有方法大大加速了训练过程。
附图说明
图1为本发明方法中进行微带线设计参数采样和模型训练的流程框图。
图2为本发明方法中微带线综合方法的流程框图。
图3为本发明提出的神经网络微带线分析模型的结构示意图；
其中设计参数部分指的是输入的设计参数，包括频率、微带线金属导体宽度和高度等；第一部分为独立学习各个输入设计参数特征的网络；第二部分为预测特性参数的网络；特性参数指输出的微带线特性参数。
图4为对单端微带线运用本发明（记为MTLD）及现有方法（包括前述迭代优化方法(记为SVR）和端到端深度学习方法（记为MLP））的结果，设计目标为特征阻抗Zc，未考虑设计约束，纵坐标为设计参数对应的真实特征阻抗和目标特征阻抗相对误差占的百分比。
具体实施方式
本发明提出的集成电路微带线传输线自动化分析设计方法包括两部分，采样微带线设计参数和对应特性参数，以此训练微带线分析替代模型（分析方法）和交叉验证模型的过程示意如图1所示，综合方法的流程如图2所示。下面将结合示意图对方法流程中每一部分进行详细、清晰的描述。
采样和训练部分：该部分由三个阶段组成。
阶段一，创建集成电路微带线传输线分析模型，并进行初始化和超参优化：
该阶段首先确定集成电路微带线传输线设计空间，即有待设计的设计参数和相应取值范围，一般而言，这些参数包括微带线金属导体的厚度、长度、宽度和导电参数，电介质的介电常数和厚度，以及多条微带线金属导体之间的距离等。
接着通过拉丁超立方采样方法生成设计参数点，具体数量由设计者给定，包括初始训练设计参数
和测试设计参数
，利用严格电磁仿真工具（如TmlExpert，HFSS等）计算得到对应的微带线特性参数：初始训练微带线特性参数
和测试微带线特性参数
，进而得到初始训练数据集
和测试数据集
。
最后创建集成电路微带线分析神经网络模型并初始化训练微带线分析模型。
构建深度学习神经网络微带线分析模型和交叉验证模型，两种模型结构具有相同的超参数；为了进行快速的微带线分析，本发明提出了一种神经网络结构，包括处理输入设计参数和预测输出特性参数两个部分，如图3所示。考虑到一组输入设计参数会包括多个分量（如微带线金属导体宽度，高度，介质层厚度等等），而微带线特性参数和这些分量的关系并不一致，因此需要特性化处理。第一部分对输入设计参数的每个分量使用独立的多层感知网络单独提取特征，并输出相同维度（该维度需要通过后续超参数优化得到）的特征向量；第二部分通过求和聚合这些特征向量，并用另一个多层感知网络处理以预测输出特性参数。这一分析模型需要经过有监督学习训练，训练是建立在pytorch框架上，利用Adam优化器配合阶跃下降的学习率实现，目标是根据输入的设计参数预测对应的特性参数，并最小化和严格仿真结果之间的误差。该神经网络微带线分析模型的超参数，包括每个多层感知网络的深度和多层感知网络中各层神经元个数，都需要根据初始训练数据集和测试数据集通过optuna库的超参数优化确定，该步骤还会同时确定网络训练时的学习率等超参数。
阶段二，进行自适应采样，主动选择具有代表性的数据，扩充训练数据集，用于提高分析模型的预测准确度：
训练上述构建的高精度微带线分析模型需要大量经过严格仿真模拟验证的训练数据，而严格仿真模拟花费计算资源较多，获取标签的成本很高。本发明提出了一种自适应采样算法，目标是分多次主动选择少数具有代表性的训练数据，使得微带线分析模型在达到较高分析精度的同时降低采样开销。每一次采样的具体过程为：
首先利用现有训练数据集（第一次采样为初始训练数据集，之后为扩充的训练数据集）根据阶段一的训练方法训练好集成电路微带线分析模型以及交叉验证模型，交叉验证模型的结构超参数与阶段一中构建的微带线分析模型一致。微带线分析模型是利用完整训练数据集训练，交叉验证模型则是根据K折交叉验证规则训练。K折交叉验证规则即将现有训练数据集分为K份，每次取（K-1）份训练，一共可以得到K个交叉验证模型。数值实验表明任意设计参数对应的真实特性参数（即严格仿真结果）与微带线分析模型预测结果的误差基本服从一个均值接近0的高斯分布，分布的标准差与K个交叉验证模型预测结果的标准差接近。
接着从阶段一确定的设计空间中使用拉丁超立方算法生成多组候选设计参数
，对于每组候选设计参数，都计算三个数值：参数距离（即候选设计参数
与现有训练数据集中的设计参数
的最大欧式距离），特性参数预测准确性（K个交叉验证模型给出的微带线特性参数预测结果的标准差）和特性参数均匀性（微带线分析模型预测的特性参数和现有训练数据集中的特性参数
的最大差值），再对全体候选设计参数的三个数值（参数距离、特性参数预测准确性、特性参数均匀性）进行归一化，归一化系数为每一类数值的平均值加标准差。
最后的结果经过加权累加后对加权累加得分进行排序。加权的权重为设计者给定，取决于不同设计需求中三个数值的重要程度，默认为全1。每次自适应采样迭代都会选择得分前N（N为设计者给定）的设计参数进行严格仿真，并将结果加入到训练数据集，完成一次迭代。
重复以上过程，一旦微带线分析模型在测试数据集上的预测精度提高到特性参数预测精度阈值（设计者设置的预测精度标准）或自适应采样次数达到设置的采样次数上限，就停止采样，得到扩充后的训练数据集。整体而言，这样的采样过程可以有效降低过度采样或采样不足的风险。
阶段三，创建并训练深度生成模型，用于为待设计微带线传输线生成可行的设计参数：
自适应采样可以提供训练好的微带线分析模型（即替代模型）和扩充后的数据集来训练深度生成模型，并确定其最佳超参数组合，完成采样和训练部分。
本发明使用基于条件变分自编码器的深度生成模型以学习训练数据集的潜在数据表示，并在给定未知设计规范（目标特性参数）的情况下生成可行的设计参数。
本发明创建的深度生成模型中，条件自动编码器分为编码器和解码器两个不同的全连接神经网络。编码器输入设计参数和对应的特性参数，将其编码成参数数据潜表示，参数数据潜表示服从高斯分布；解码器输入参数数据潜表示和特性参数，输出对应的设计参数。深度生成网络模型的训练目标是最小化参数数据潜表示分布与标准高斯分布的KL散度，以及最小化解码器输出的设计参数和编码器输入的设计参数之差。编码器和解码器网络的具体结构超参数（包括网络深度和神经元数量）和训练参数（学习率）都是通过optuna进行超参数优化得到，训练过程是建立在Python编程语言的pytorch框架上，利用Adam优化器配合阶跃下降的学习率实现小批量随机梯度下降算法。
综合部分：本发明提出的微带线综合设计包括三个步骤：
步骤一，初始设计：
深度生成模型的解码器将首先根据给定的设计规范（即所需的微带线特性参数
）和从标准高斯分布中随机采样的参数数据潜表示生成初始设计参数，一组参数数据潜表示生成一组初始设计参数
，其对应的特性参数往往和设计规范基本一致，但是仍有一定误差，因此需要后续的优化。
步骤二，设计优化：
为了降低上述误差，并且使得设计参数尽量满足设计者基于先验知识的约束（设计约束，如尽量减小微带线金属厚度，或限制介质层的介电常数等），本发明提出了一种基于梯度下降算法的优化设计的方法。
为了描述设计参数对应的真实特性参数与设计规范之间的偏差，本发明借助神经网络替代模型预测设计参数
对应的特性参数
，和目标特性参数
求L1差值作为损失函数
。再对损失函数求梯度，并利用无约束梯度下降更新设计参数以尽量减小该损失函数：
，其中
为更新次数，
为更新设计参数的步长。重复以上过程至最大更新次数，即可有效降低设计参数对应的特性参数和目标特性参数之间的偏差。
在综合阶段还需要考虑设计者的先验知识和特定设计需求，比如微带线的某个设计参数只能取特定值或在某个区间内，某些设计参数之间要满足特定关系，微带线的传输损耗要尽量小（即微带线金属导体宽度尽量大）。本发明将这些先验知识和设计约束抽象出具体的数学表达式，在上述无约束梯度下降算法的基础上引入了设计约束。具体而言，这些约束条件被分为三类：线性方程、线性不等式和软约束。
本发明将线性方程写作
的形式，其中A和b为约束向量和约束值，P为设计参数。为了使得设计参数严格满足这类约束，本发明将其转化为两组线性不等式{
,
}处理。
为了使设计参数P严格满足线性不等式
，本发明在梯度下降更新设计参数时使用了梯度投影优化算法，即
，其中投影算子
。对于多个线性不等式约束，对应的投影算子可复合运算。
最后一类软约束指应尽可能严格地满足，但不是强制性的约束，如根据先验知识可知微带线的传输损耗近似正比于
，
为微带线金属导体宽度。这一类约束可以写成minf(P) 的形式，f(P)为根据先验知识构造的惩罚函数。本发明通过在前述损失函数
中添加正则化项 λ||f(P)|| 以尽量减小该惩罚函数，进而使得最终优化得到的设计参数尽可能满足软约束。其中λ是一个权重，用于调节该软约束的重要程度。
步骤三，选择设计参数解：
经过上述生成和优化的步骤，将会生成多组可行设计参数解。然而通常设计者只需要一组可行设计参数，为此需要评估这些解并从中进行选择。为了评估每组设计参数对应的真实特性参数和目标特性参数的接近程度，本发明提出了一种度量方式（置信度），置信度指标（degree of confidence）计算预测的特性参数所满足的高斯分布（均值为前述神经网络替代模型预测，方差由前述的交叉验证模型评估）和围绕目标特性参数的均匀分布（分布方差由设计者给定）之间的KL散度。最后将所有的设计参数解根据对应的置信度排序，并选出置信度最高的设计参数解作为最终的设计参数提供给设计者。
图4为对单端微带线运用本发明方法及其它现有综合方法（分别为使用全连接网络进行端到端设计的MLP，和利用支持向量机进行迭代设计的SVR）的结果，可以看到本发明（MTLD）综合得到的设计参数对应的真实特征阻抗与目标特征阻抗的相对偏差远小于其它方法，且误差集中在0%附近。此外，数值实验表明，对单端微带线和耦合微带线构成的波导，本发明方法综合得到的设计参数对应特性参数误差都<0.4%，即综合精度>99.6%，超过其它现有方法。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (7)
1.一种集成电路微带线传输线自动化分析设计方法，基于深度学习技术进行微带线分析和综合，基于深度学习神经网络构建微带线分析模型作为替代模型，用于准确高效地预测微带线特征阻抗；构建基于神经网络的深度生成模型用于微带线综合，包括设计参数生成，优化和选择；包括如下步骤：
1）确定设计空间：确定微带线传输线有待设计的电学和几何设计参数，以及设计参数的取值范围；有待设计的设计参数包括微带线的金属导体厚度、长度、宽度和导电参数、电介质的介电常数和厚度，以及多条微带线金属导体之间的距离；
2）通过拉丁超立方采样方法生成初始训练数据集和测试数据集；
3）基于深度学习神经网络构建微带线分析模型和微带线交叉验证模型，两种模型结构具有相同的超参数；初始训练模型并优化模型超参数；
构建深度学习神经网络微带线分析模型，用于处理输入设计参数和预测输出特性参数；
处理输入设计参数具体是：对输入设计参数的每个分量使用独立的多层感知网络单独提取特征，并输出相同维度的特征向量；所述维度通过优化模型超参数得到；模型超参数包括每个多层感知网络的深度和多层感知网络中各层神经元个数；预测输出特性参数具体是：通过求和聚合特征向量，并通过另一个多层感知网络预测输出特性参数；
对构建的微带线分析模型，利用初始训练数据集经过有监督学习进行初始训练并进行超参数优化，以使得模型根据输入的设计参数预测对应的特性参数，并最小化和严格仿真结果之间的误差；
对构建的微带线交叉验证模型，利用训练数据集根据K折交叉验证规则进行训练；
4）设计自适应采样方法对数据进行选择，扩充步骤2）中生成的微带线分析模型的训练数据集；自适应采样的过程重复多次，每次的过程包括：
41）首先利用现有训练数据集训练好微带线分析模型和交叉验证模型；
42）接着使用拉丁超立方算法从设计空间中选择得到多组候选设计参数，并对每组候选设计参数分别进行计算得到各自的参数距离、特性参数预测准确性和特性参数均匀性；
参数距离即候选设计参数与现有训练数据集中的设计参数的最大欧式距离；
特性参数预测准确性即K个交叉验证模型的微带线特性参数预测结果的标准差；
特性参数均匀性即微带线分析模型预测得到的特性参数和初始训练数据集中的特性参数的最大差值；
再对候选设计参数的三个数值包括参数距离、特性参数预测准确性、特性参数均匀性，进行归一化，归一化系数为每一类数值的平均值加标准差；
最后经过加权累加后对加权累加得分进行排序；选择得分排序为前N的设计参数进行严格仿真，并将结果加入现有训练数据集，完成一次迭代；
重复以上过程，当微带线分析模型在测试数据集上的特性参数预测精度提高到预测精度阈值或自适应采样次数达到设置的采样次数上限，即停止自适应采样，得到扩充后的训练数据集；
5）构建神经网络深度生成模型并进行模型训练和超参数优化：
构建基于条件变分自编码器的深度生成模型，用于为待设计微带线传输线生成可行的设计参数；利用训练好的模型，根据给定的目标特性参数对设计参数解进行初始化；
创建的深度生成模型采用了条件变分自编码器结构，包括编码器和解码器，分别为两个全连接神经网络；编码器的输入为设计参数和对应的特性参数，将输入编码为参数数据潜表示，参数数据潜表示服从标准高斯分布；解码器的输入为参数数据潜表示和对应的特性参数，输出为对应的设计参数；
深度生成模型的训练目标是最小化参数数据潜表示分布与标准高斯分布的KL散度，以及最小化解码器输出的设计参数和编码器输入的设计参数之差；
训练过程采用小批量随机梯度下降算法；
得到训练好的深度生成模型，根据给定的目标特性参数对设计参数解进行初始化；
6）设计综合方法，输入微带线设计目标，利用步骤5）中训练好的深度生成模型自动生成多组初始设计参数，利用步骤4）中训练好的微带线分析模型进行基于梯度下降的设计参数优化，并采用梯度投影方法和惩罚函数方法使得设计参数满足设计约束；最后基于步骤4）中的微带线分析模型和交叉验证模型评估每组设计参数的可信度，选择可信度最高的解作为最终解；综合方法具体包括：
61）利用深度生成模型的解码器进行初始设计，生成初始设计参数；
62）采用基于梯度下降算法的优化设计方法对设计参数进行优化，生成多组可行设计参数解；
设计损失函数，再对损失函数求梯度，并利用无约束梯度下降更新设计参数以尽量减小该损失函数，有效降低设计参数对应的特性参数和目标特性参数之间的偏差；
再引入设计约束，使设计参数满足设计约束；包括：线性方程约束、线性不等式约束和软约束；
63）根据计算的置信度指标，获取最终的设计参数解；
设计置信度指标，用于计算预测的特性参数所满足的高斯分布和目标特性参数均匀分布之间的KL散度；
将设计参数解根据对应的置信度进行排序，选出置信度最高的设计参数解作为最终的设计参数；
通过上述步骤实现集成电路微带线的分析和综合，得到集成电路微带线传输线自动化分析设计参数。
2.如权利要求1所述的集成电路微带线传输线自动化分析设计方法，其特征是，步骤2）中，首先通过拉丁超立方采样方法生成设计参数点，包括初始训练设计参数和测试设计参数；采用严格电磁仿真工具计算得到对应的微带线特性参数，包括：初始训练微带线特性参数和测试微带线特性参数；进而得到初始训练数据集和测试数据集。
3.如权利要求2所述的集成电路微带线传输线自动化分析设计方法，其特征是，严格电磁仿真工具包括传输线仿真工具TmlExpert和高频结构仿真工具HFSS。
4.如权利要求1所述的集成电路微带线传输线自动化分析设计方法，其特征是，步骤3）中，对创建的深度学习神经网络微带线分析模型进行初始训练并进行超参数优化，具体是：神经网络微带线分析模型使用Python编程语言的pytorch框架部署，采用Adam优化器训练，结合Python编程语言的超参数调优器进行超参数优化，得到初始训练好的微带线分析模型。
5.如权利要求1所述的集成电路微带线传输线自动化分析设计方法，其特征是，步骤5）中，深度生成模型的编码器和解码器网络的结构超参数和训练参数均通过Python编程语言的超参数调优器进行超参数优化得到；结构超参数包括网络深度和神经元数量；训练参数为学习率；训练过程采用的小批量随机梯度下降算法为建立在Python编程语言的pytorch框架上，利用Adam优化器配合阶跃下降的学习率实现。
6.如权利要求1所述的集成电路微带线传输线自动化分析设计方法，其特征是，步骤6）中，设计参数的可信度用于评估设计参数对应的真实特性参数和目标特性参数的偏差。
7.如权利要求1所述的集成电路微带线传输线自动化分析设计方法，其特征是，设计约束中，线性方程约束、线性不等式约束和软约束；
线性方程约束的表示形式为
，其中A和b为约束向量和约束值，P为设计参数；将其转化为两组线性不等式{
,
}，使得设计参数严格满足线性方程约束；
线性不等式约束为在梯度下降更新设计参数时使用梯度投影优化算法中的投影算子，线性不等式约束的表示形式为：
；对于多个线性不等式约束，对应的投影算子可复合运算；
软约束的表示形式为min f(P)，f(P)为根据先验知识构造的惩罚函数；通过在损失函数
中添加正则化项λ||f(P)||减小该惩罚函数，进而使得优化得到的设计参数满足软约束；其中λ为调节软约束重要程度的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310049657.6A CN115809624B (zh) | 2023-02-01 | 2023-02-01 | 一种集成电路微带线传输线自动化分析设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310049657.6A CN115809624B (zh) | 2023-02-01 | 2023-02-01 | 一种集成电路微带线传输线自动化分析设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115809624A CN115809624A (zh) | 2023-03-17 |
| CN115809624B true CN115809624B (zh) | 2023-04-21 |
Family
ID=85487645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310049657.6A Active CN115809624B (zh) | 2023-02-01 | 2023-02-01 | 一种集成电路微带线传输线自动化分析设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115809624B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272778B (zh) * | 2023-07-12 | 2024-03-12 | 上海交通大学 | 微波无源器件的设计方法和装置 |
| CN117077598B (zh) * | 2023-10-13 | 2024-01-26 | 青岛展诚科技有限公司 | 一种基于Mini-batch梯度下降法的3D寄生参数的优化方法 |
| CN117521580B (zh) * | 2023-11-24 | 2024-08-02 | 中科南京智能技术研究院 | 一种基于泛化模型的电路优化方法、装置及存储介质 |
| CN117474291B (zh) * | 2023-12-22 | 2024-05-10 | 深圳市瀚强科技股份有限公司 | 处理生产耦合器的数据的方法及相关设备 |
| CN118485033B (zh) * | 2024-07-09 | 2024-09-20 | 成都实时技术股份有限公司 | 一种数字电路模块的设计方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203084711U (zh) * | 2012-11-13 | 2013-07-24 | 华北电力大学 | 一种基于神经网络技术的微带线网络仿真分析设备 |
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
| CN115186588A (zh) * | 2022-07-12 | 2022-10-14 | 杭州电子科技大学 | 基于多目标粒子群优化的功放设计方法 |
-
2023
- 2023-02-01 CN CN202310049657.6A patent/CN115809624B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115809624A (zh) | 2023-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115809624B (zh) | 一种集成电路微带线传输线自动化分析设计方法 | |
| CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
| CN108959728B (zh) | 基于深度学习的射频器件参数优化方法 | |
| Mendonça et al. | Approximating network centrality measures using node embedding and machine learning | |
| CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
| KR20200021767A (ko) | 학습된 모델을 이용한 해석 장치 및 이를 위한 방법 | |
| CN111967941B (zh) | 一种构建序列推荐模型的方法和序列推荐方法 | |
| CN113987984A (zh) | 一种片上电感自动化设计系统及设计方法 | |
| CN114429090A (zh) | 一种基于数据驱动的压气机叶片鲁棒性设计方法 | |
| Lho et al. | Bayesian optimization of high-speed channel for signal integrity analysis | |
| CN114841106A (zh) | 一种基于规则引导的遗传算法的集成电路优化方法及系统 | |
| CN111967184B (zh) | 一种基于序列模型的多目标天线设计方法 | |
| CN111709192B (zh) | 一种基于半监督学习的平面倒f型天线谐振频率预测方法 | |
| CN117574721A (zh) | 一种工艺参数概率模型优化方法 | |
| Yu et al. | A novel single-loop Kriging importance sampling method for estimating failure probability upper bound under random-interval mixed uncertainties | |
| CN115640845A (zh) | 基于生成对抗网络的图神经网络少数类别样本生成方法 | |
| CN110866838A (zh) | 基于转移概率预处理的网络表示学习算法 | |
| CN113627595B (zh) | 一种基于概率的MobileNetV1网络通道剪枝方法 | |
| CN113076699B (zh) | 一种基于多输出高斯过程贝叶斯优化的天线优化方法 | |
| CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 | |
| CN117272778B (zh) | 微波无源器件的设计方法和装置 | |
| Peng et al. | An Efficient Antenna Optimization Framework Based on Inverse Radial Basis Function Network | |
| CN113516168B (zh) | 基于生成对抗网络的多维电气量连续时间序列生成方法 | |
| CN116111984B (zh) | 滤波器的设计优化方法及装置、滤波器、设备、介质 | |
| Özese et al. | Tree-Based Sequential Sampling for Efficient Designs in Package Electrical Analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |