CN115906741A - 一种基于高性能计算的射频电路寻优设计方法 - Google Patents
一种基于高性能计算的射频电路寻优设计方法 Download PDFInfo
- Publication number
- CN115906741A CN115906741A CN202211660419.0A CN202211660419A CN115906741A CN 115906741 A CN115906741 A CN 115906741A CN 202211660419 A CN202211660419 A CN 202211660419A CN 115906741 A CN115906741 A CN 115906741A
- Authority
- CN
- China
- Prior art keywords
- circuit
- design
- neural network
- frequency band
- sub
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004364 calculation method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于高性能计算的射频电路寻优设计方法，包括以下步骤：将射频电路子模块化；建构电路子模块神经网络；基于电路子模块神经网络，使用GPU进行并行计算；对各级子模块电路的散射参数结果级联计算，得到整体电路的散射参数结果：从整体电路的散射参数结果中，搜索符合性能指标条件的优化方案；对搜索结果的优劣寻找帕累托Pareto最优解，筛选出符合实际工程指标的电路。本方法相较于传统的人工神经网络用于对全级射频电路设计尺寸与电气行为之间关系进行建模，本方法更具灵活性，也能提高人工神经网络模型上的复用性和准确性，并利用神经网络模型可高并行计算的特性对计算进行加速。
Description
技术领域
本发明应用于射频电路仿真领域，特别是一种基于高性能计算的射频电路寻优设计方法。
背景技术
射频集成电路(Radio Frequency Integrated Circuit,RFIC)是指工作在30kHz到300GHz频段的设计电路，其电路类型包括低噪声放大器、功率放大器、振荡器、混频器与滤波器等常用电路类型。RFIC已经广泛地应用于社会的各个领域之中，包括但不限于无线电广播、卫星导航、无线通信、雷达遥感和人体成像等应用。
随着今年来智能手机、5G、物联网技术的高速发展，模拟集成电路，尤其是射频集成电路越来越被社会各界关注。但是相比于数字集成电路技术的快速发展，模拟射频集成电路的技术进步较为缓慢，其设计难度相比于数字集成电路来说也更高。这主要是因为在高频电路中存在大量寄生效应、串扰等因素。在实际设计中极其依赖于射频工程师的工作经验。而随着通信技术的发展，各个通信设备的工作频率不断提高，射频电路设计所面临的挑战和困难也越来越大。而其中相比于数字电路设计，射频电路设计中缺乏更为成熟的电子设计自动化(Electronic design automation,EDA)工具支撑设计流程是造成这种结果的原因之一。
而人工智能(Artificial Intelligence,AI)技术在今年来的飞跃式发展，让业内人员对AI技术赋能EDA工具这一前景抱有极大的期望和信心，这给模拟射频电路设计带来了新的可能和更广阔的设计空间，为EDA技术人员如何审视智能EDA工具辅助电路工程师设计与提高工作效率带来了新的视角。
目前在电路优化问题中较为成熟的解决方法是基于几种自然启发算法(进化算法，粒子群算法与强化学习方法等)去探索电路的设计空间并找到给定电路问题的最优解。然而巨大的电路设计空间需要大量的仿真迭代来实现探索，这需要消耗巨大的时间成本。尽管在仿真迭代过程中产生的大量数据会被利用于训练人工神经网络模型(ArtificialNeural Networks,ANN)，以期望神经网络模型代替仿真器以节约时间成本，但这样获得的神经网络模型也只能适用于单一固定的电路，其模型缺少复用性和灵活性；同时电路的设计维度较大也容易带来神经网络模型训练难度较大的问题。
发明内容
针对射频电路优化中时间成本高，神经网络模型复用性和灵活性低以及训练难度大的问题，本发明提供了一种基于高性能计算的用于射频电路设计的方法。
本发明采用如下技术方案：
一种基于高性能计算的射频电路寻优设计方法，包括以下步骤：
S1、将射频电路按电路功能进行拆分，得到若干电路子模块化，得到电路子模块，所述电路子模块包括：放大电路模块、匹配电路模块、滤波电路模块；
S2、建构电路子模块神经网络
对各个电路子模块在设计空间上进行采样，针对所述设计空间中可能的设计参数对电路进行仿真，得到覆盖设计空间的电路仿真结果的数据集；
所述数据集中包括输入部分和输出部分：
所述输入部分包括：电路子模块中所有的无源元件和有源元件的尺寸设计参数以及仿真频率点，所述无源元件包括：电阻、电感、电容、传输线和T型结，所述有源元件包括晶体管，所述尺寸设计参数包括元件的长、宽，电感的线圈匝数与内径，所述仿真频率点是指仿真频段上按照设定仿真频率步长采样的频率点；
所述输出部分反映其电路的性能度量，包括：散射参量，
对各个电路子模块分别建立神经网络模型；所述神经网络模型的输入为：电路子模块的器件参数与设计尺寸；所述神经网络模型的输出为作为电路仿真结果的散射参数；所述神经网络模型的基本单元为感知器；
将所述数据集分为训练集和验证集，使用训练集对所述神经网络模型进行训练，
使用验证集验证训练后的神经网络中，判断样本预测值和真实值的误差是否符合预设要求，若是，完成神经网络训练，若否，继续进行训练；完成训练和验证后，得到电路子模块神经网络；
S3、基于电路子模块神经网络，使用GPU进行并行计算：
S3.1.对各个电路子模块在规定设计空间内对可能的设计尺寸参量进行采样，形成输入参数矩阵Xk：
其中xij代表第i组对设计尺寸参量采样的第j个设计参量，Xk代表的是第k级子电路模块的设计参量集合，上式中Xk代表了共m组对设计参量的采样，每组设计参量为n维向量，即包含了n个设计尺寸；
S3.2.设定寻优频率范围与步长，形成带频率点信息的输入参数矩阵
其中fi，i＝1，2，…，l为在规定频率范围内与步长采样的频率点，
为带频率点信息的输入参数矩阵，
中的一个子矩阵代表一组设计方案在多个仿真频率点上加入了频率点信息的输入参数，每一个子矩阵来自与S3.1中Xk矩阵中的行向量重复扩展，并在最后带上频率点信息；
S3.3.将该矩阵输入神经网络模型之中，并使用GPU加速神经网络模型实现高并发运算，得到散射参量矩阵输出：
其中
为散射参量矩阵，其维度为m×l×8，其中以
为例，其含义代表共m组对设计尺寸采样中的第i组采样，对应l个采样频率点中第j个频率点时输出的散射参量s11；
为便于理解本发明S3、S4步骤，这里对本发明中涉及的级联计算进行如下解释说明：
对于级联前级网络A为n端口网络，级联后级网络B为M端口网络，其中1,2,…,k端口相级联，其中n端口网络A的散射参数矩阵可以表达为：
其中Sij的定义为：
其物理含义为使用入射波电压
激励j端口并测量i端口出来的反射波电压
两者的比值。这一定义同时要求将除j端口外的其他所有端口上的入射波设为零，即接匹配负载以避免出现反射。Sii就是所有端口接匹配负载时向i端口看去的反射系数，而Sij是所有其他端口接负载时从j端口到i端口的传输系数。
而m端口网络B的散射参数矩阵可以表达为：
n端口网络A与m端口网络B级联得到网络C，其中共有k个端口相级联，网络C具有m+n-2*k个端口，其散射参数矩阵可表达为：
其中，
与
定义如下：
其中，I为单位矩阵。
当n＝m＝2，k＝1时，该级联公式可以简化为
S4、对各级子模块电路的散射参数结果级联计算，得到整体电路的散射参数结果：
S4.1.将S3.3中得到各级电路子模块神经网络的散射参量矩阵
中每一个频率点的散射参数拆分为四个分块矩阵，所述四个分块矩阵即s11，s12，s21，s22四个散射参量的实虚部信息：
其中，
代表第k级网络在设定的频段范围与步长采样频率点上的分块矩阵sij,i＝1,2,j＝1,2；
S4.2.各级电路子模块神经网络按以下四个公式所示的方式进行级联：
其中
i＝1,2,j＝1,2，代表前级级联网络A的Sij散射参数，
i＝1,2,j＝1,2，代表前级级联网络B的Sij散射参数，
i＝1,2,j＝1,2，代表网络A与网络B级联后形成的网络C的Sij散射参数；
级联计算中Sij为复数，Sij＝Re(Sij)+iIm(Sij)；
S5、从整体电路的散射参数结果中，搜索符合性能指标条件的优化方案；对搜索结果的优劣寻找帕累托Pareto最优解，筛选出符合实际工程指标的电路。
作为优选，所述射频电路为二端口网络的低噪声放大器。
作为优选，所述步骤S2中，所述散射参量以向量的形式输出，包括：输入反射系数(S11)，输出反射系数(S22)，传输系数(S12,S21)四个散射参量的实虚部组成，共有8个维度，即为S11的实部Re(S11)，S11的虚部Im(S11)，S12的实部Re(S12)，S12的虚部Im(S12)，S21的实部Re(S21)，S21的虚部Im(S21)，S22的实部Re(S22)，S22的虚部Im(S22)。
作为优选，所述步骤S5中所述性能指标条件包括以下四项要求：
要求一：为了降低输入的回波损耗，要求在工作频段上输入反射系数小于一个固定电路设计指标；
要求二：增益平坦度要小于一个固定电路设计指标，理想的放大电路，在通频带范围内，增益应当保持一个恒定值；
要求三：正向电压增益要尽足够大，要大于一个固定电路设计指标；
要求四：为了降低输输出的回波损耗，要求在工作频段上输出反射系数要小于一个固定电路设计指标。
作为优选，所述四项要求用以下四个目标函数作为约束表示：
其中freq代表在规定频段上根据规定步长采样的频率点空间，
1,2,j＝1,2代表在频率点f上的对应散射参量，f1目标函数代表是在所选频段freq上的
的最大值，基于所述要求一，当所选频段freq上的
的最大值也满足设计指标时，则所选频段freq上的其他频率点也满足，所选频段freq上的
的最大值越小则认为电路性能越优越，该目标函数要尽可能的最小化；
f2是目标函数代表s21的平坦度，使用在所选频段freq上的
最大值与最小值的差值衡量，基于所述要求二，平坦度越低则认为增益在规定频段上变化越平缓，性能越好，该目标函数要尽可能的最小化；
f3是目标函数代表在所选频段freq上
的最小值，基于所述要求三，当所选频段freq上的
的最小值也满足设计指标时，则所选频段freq上的其他频率点也满足，所选频段freq上的
的最小值越大电路增益越大，则认为电路性能越优越，该目标函数要尽可能的最大化；
f4是目标函数代表在所选频段freq上的
最大值，基于所述要求四，当所选频段freq上的
的最大值也满足设计指标时，则所选频段freq上的其他频率点也满足，所选频段freq上的
的最大值越小输出回波损耗就越小则认为电路性能越优越，该目标函数要尽可能的最小化。
作为优选，所述四个目标函数的约束值分别为：
f1≤-11dB，f3≥16dB，f2≤0.2dB，f4≤-11dB；
对步骤S4中经过级联得到的整体电路的散射参数结果，首先经过以上四个约束值进行筛选，其次通过寻找更优越的f2与f4来寻找Pareto前沿。
本技术方案的有益效果：
本方法相较于传统的人工神经网络用于对全级射频电路设计尺寸与电气行为之间关系进行建模，本方法更具灵活性，也能提高人工神经网络模型上的复用性和准确性，并利用神经网络模型可高并行计算的特性，利用图像处理器(graphics processing unit,GPU)对计算加速并对散射参数进行直接级联计算。
附图说明
图1是基于高性能计算的用于射频电路智能寻优设计的流程图；
图2是用于实施方案的低噪声放大电路示意图；
图3是放大电路子模块一；
图4是放大电路子模块二；
图5是匹配电路子模块一；
图6是网络级联示意图；
图7是放大电路子模块一神经网络模型训练结果图；
图8是放大电路子模块二神经网络模型训练结果图；
图9是匹配电路子模块一神经网络模型训练结果图；
图10是CPU与GPU搜索方案时间成本对比图；
图11是以正向电压增益与输出反射系数为指标的帕累托前沿图；
图12是初始方案与优化方案的s11结果对比图；
图13是初始方案与优化方案的s21结果对比图；
图14是初始方案与优化方案的s22结果对比图。
具体实施方式
以下通过特定的具体实施案例说明本发明的实施方式，本领域技术人员可由本说明书所描述内容直观地了解本发明的其他优点。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明准确度验证：
参照图1，本实施例用于基于高性能计算的用于射频电路智能寻优设计的具体步骤：
S1、对射频电路各个功能电路子模块化：在一个射频电路设计中，可能包含多个放大电路与匹配电路模块，将不同的电路分别子模块化。在本实例中，实施对象是一个低噪声放大器，如图2。对电路结构进行分析，拆解为3个子模块，其结构分别如图3，图4，图5。
S2、对子模块电路建立神经网络模型；将子模块的器件参数与设计尺寸作为神经网络模型的输入，散射参数的电路仿真结果作为输出，对输入与输出之间的数学关系建模。
步骤2中，其关于子模块电路建立神经网络模型过程具体如下：
S2.1.对各个子模块电路在设计空间上采样，使用计算机辅助设计工具针对可能的设计参数对电路进行大量仿真，生成能充分覆盖设计空间的电路仿真结果的数据集。该数据集中将子电路模块中所有的无源元件和有源元件的尺寸设计参数以及仿真频率点作为输入，所述无源元件包括：电阻、电感、电容、传输线和T型结等器件，所述有源元件包括晶体管等器件，尺寸设计参数包括各个器件的长、宽，电感的线圈匝数与内径等设计参数，仿真频率点是指仿真频段上按照设定仿真频率步长采样的频率点。其电路的性能度量(散射参量)作为输出，以二端口散射参量为例，其输出向量由输入反射系数(S11)，输出反射系数(S22)，传输系数(S12,S21)等四个散射参量的实虚部组成，共有8个维度，即为Re(S11)(即S11的实部)，Im(S11)(即S11的虚部)，Re(S12)(即S12的实部)，Im(S12)(即S12的虚部)，Re(S21)(即S21的实部)，Im(S21)(即S21的虚部)，Re(S22)(即S22的实部)，Im(Sss)(即S22的虚部)。
S2.2.对S2.1中的数据集做训练数据的预处理(可选的，归一化、标准化等)，以标准化为例：
其中X代表原数据集中的数据向量，N代表数据集中的样本数量，
代表数据集中所有样本数据向量的平均值，σ代表数据集中所有样本数据向量的标准差，x代表原数据集经过数据标准化处理后的新数据集。
S2.3.将数据预处理后的数据集按设定比例划分为样本训练集以及样本验证集。
S2.3.将样本训练集输入到人工神经网络进行训练，人工神经网络的基本单元为感知器，其数学模型可表示为：
h(x)＝g(w·x+b) (4)
其中x代表样本训练集的输入向量值，h代表激活函数，w代表权重矩阵，b代表偏置矩阵，h(x)代表该感知器基本单元的输出。
其训练方式为：
此处y代表神经网络的输出，
代表实际的样本训练集的标签向量，L为损失函数，μ代表设定的学习率，W代表神经网络中所有权重和偏置的集合。
S2.4.将样本验证集输入训练后的神经网络中，判断样本预测值和真实值的误差是否符合预设要求，若是，完成神经网络训练，若否，返回S2.3，继续进行训练，三个子模块的训练结果分别如图6，图7，图8。
S3、GPU对神经网络模型加速高并行计算；
步骤3中，关于GPU对神经网络模型加速高并行计算过程的具体操作如下：
S3.1.对各个子模块电路在规定设计空间内对可能的设计尺寸参量进行采样，形成输入参数矩阵：
其中xij代表第i组对设计尺寸参量采样的第j个设计参量，Xk代表的是第k级子电路模块的设计参量集合，上式中Xk代表了共m组对设计参量的采样，每组设计参量为n维向量，即包含了n个设计尺寸。
S3.2.规定期望的寻优频率范围与步长，形成带频率点信息的输入参数矩阵：
其中fii，i＝1，2，…，l为在规定频率范围内与步长采样的频率点，
为带频率点信息的输入参数矩阵。
S3.3.将该矩阵输入神经网络模型之中，并使用GPU加速神经网络模型实现高并发运算，以二端口网络为例，得到散射参量矩阵输出：
其中
为输出的散射参量矩阵，由于是二端口网络，其维度为m×l×8，其中以
i＝1,2,…,m,j＝1,2,…,l为例，其含义代表共m组对设计尺寸采样中的第i组采样，对应l个采样频率点中第j个频率点时输出的散射参量s11。
S4、对各级子模块电路模型级联计算，级联示意图如图9所示；对各级子模块电路的散射参数结果级联计算，得到整级电路的散射参数结果。
步骤4中，关于各级子模块电路模型级联计算的具体操作如下：
S4.1.对S3.3中得到各级子电路模块神经网络模型的散射参量矩阵
中每一个频率点的散射参数拆分为四个分块矩阵，对于二端口网络来说，四个分块矩阵即s11，s12，s21，s22四个散射参量的实虚部信息：
S4.2.当二端口网络相互级联时，级联公式为：
其中
i＝1，2，j＝1，2，代表前级级联网络A的Sij散射参数，
i＝1，2，j＝1，2，代表前级级联网络B的Sij散射参数，
i＝1，2，j＝1，2，代表网络A与网络B级联后形成的网络C的Sij散射参数。
S4.3.级联计算中Sij为复数，Sij＝Re(Sij)+iIm(Sij)，应使用复数域计算规则：
(a1±ib1)+(a2±ib2)＝(a1±a2)+i(b1±b2) (14)
(a1+ib1)·(a2+ib2)＝(a1a2-b1b2)+i(b1a2+b2a1) (15)
S5、搜索符合性能指标条件的优化方案；分析最终散射参数结果，对搜索结果优劣寻找Pareto最优解，筛选符合实际工程指标的电路。
步骤5中，关于搜索符合性能指标条件的优化方案的具体操作如下：
本实例是一个低噪声放大器电路，对于散射参数总体而言有四个要求：
要求一：为了降低输入的回波损耗，要求在工作频段上输入反射系数小于一个固定电路设计指标；
要求二：增益平坦度要小于一个固定电路设计指标，理想的放大电路，在通频带范围内，增益应当保持一个恒定值；
要求三：正向电压增益要尽足够大，要大于一个固定电路设计指标；
要求四：为了降低输输出的回波损耗，要求在工作频段上输出反射系数要小于一个固定电路设计指标。我们使用四个目标函数作为约束代表这四个要求。S5.1.对于本实例，设定四个目标函数：
其中freq代表在规定频段上根据规定步长采样的频率点空间，
i＝1,2,j＝1,2代表在频率点f上的对应散射参量，f1目标函数代表是在所选频段freq上的
的最大值，基于要求一，当所选频段freq上的
的最大值也满足设计指标时，则所选频段freq上的其他频率点也满足，所选频段freq上的
的最大值越小则认为电路性能越优越，所以该目标函数要尽可能的最小化；f2是目标函数代表s21的平坦度，使用在所选频段freq上的
最大值与最小值的差值衡量，基于要求二，平坦度越低则认为增益在规定频段上变化越平缓，性能越好，所以该目标函数要尽可能的最小化；f3是目标函数代表在所选频段freq上
的最小值，基于要求三，当所选频段freq上的
的最小值也满足设计指标时，则所选频段freq上的其他频率点也满足，所选频段freq上的
的最小值越大电路增益越大，则认为电路性能越优越，所以该目标函数要尽可能的最大化；f4是目标函数代表在所选频段freq上的
最大值，基于要求四，当所选频段freq上的
的最大值也满足设计指标时，则所选频段freq上的其他频率点也满足，所选频段freq上的
的最大值越小输出回波损耗就越小则认为电路性能越优越，所以该目标函数要尽可能的最小化。
S5.2.多目标优化问题是多个指标之间互相权衡的问题。首先根据实际电路设计需要设定约束，f1≤-11dB，f3≥16dB，f2≤0.2dB，f4≤-11dB。其中f1与f3已经满足电路的设计指标，对S4中经过级联得到的全级电路的散射参数首先经过四个约束的筛选，其次通过寻找更优越的f2与f4来寻找Pareto前沿。
本发明性能验证：
由上文所述，前文所提及的方法借助神经网络模型可高并发运算的特性与GPU多线程及并行计算上的优势对神经网络模型运算与散射参数级联计算进行加速，同时对于将电路拆分为多个子模块，减小了神经网络模型的输入维度，减小了模型训练难度，提高了模型精度，其训练结果如图7，图8，图9所示。同时任意多个任意数量端口的子模块级联计算的方式，也使得子模块模型的复用性得到提高，方法的灵活性得到提升。因此，为了验证本发明所提出方法的性能，基于图2的低噪声放大电路进行优化验证，得出结论如下：
首先，对比中央处理器(Central Process Unit，CPU)的散射参数计算与GPU上进行散射参数计算的时间成本，其结果如图10所示，从图中可以发现，随着数据规模的增加，CPU上的时间成本也线性增加，可以看到GPU的高并发计算方法随着数据规模的增加，其时间成本的增加幅度十分有限，其时间成本主要牺牲在搜索方案上，CPU的时间成本可为GPU上时间成本的5至8倍。
其次在针对该电路的优化中，在使用该方法对优化方案进行搜索1138s后，搜索到1129个符合约束的优化方案后，即f1≤-11dB，f3≥16dB，f2≤0.2dB，f4≤-11dB，进一步针对寻找更优的f2与f4寻找Pareto前沿，如图11。
最后，在Pareto前沿中选取一组优化方案，对比原方案仿真结果，同时对比优化方案的仿真结果与神经网络模型预测结果，如图12，图13与图14。从图中可以发现S11，S22的性能指标都得了较好的改善(S11与S22的最大值均得到降低)，而对于S21的性能指标，在满足硬约束f3≥16dB的情况下，它牺牲了一定的S21性能，降低了平坦度。同时可以看出神经网络模型预测结果可以在一定程度上较好地预测散射参数的变化趋势与幅度大小。
本发明应用于射频电路优化设计领域，并具体描述了该发明的设计和实施过程。本发明能够较好地应用于射频电路优化设计。本发明所提出的基于高性能计算的用于射频电路智能寻优设计的方法有较明显的优势：将电路拆解为多个子电路模块，降低了模型训练难度，提高了模型精度，增加了模型复用性，提升了算法灵活性；相较于CPU处理计算散射参量，GPU的高并发运算极大地提升了搜索优化方案地效率，降低了时间成本；同时最终对原始方案的优化方案也较为明显，有了较好的性能改善。因此，本发明方法可以较好的用于射频电路设计领域，并对其优化设计的发展起着推动作用。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种基于高性能计算的射频电路寻优设计方法，其特征在于，包括以下步骤：
S1、将射频电路按电路功能进行拆分，得到若干电路子模块化，得到电路子模块，所述电路子模块包括：放大电路模块、匹配电路模块、滤波电路模块；
S2、建构电路子模块神经网络
对各个电路子模块在设计空间上进行采样，针对所述设计空间中可能的设计参数对电路进行仿真，得到覆盖设计空间的电路仿真结果的数据集；
所述数据集中包括输入部分和输出部分：
所述输入部分包括：电路子模块中所有的无源元件和有源元件的尺寸设计参数以及仿真频率点，所述无源元件包括：电阻、电感、电容、传输线和T型结，所述有源元件包括晶体管，所述尺寸设计参数包括元件的长、宽，电感的线圈匝数与内径，所述仿真频率点是指仿真频段上按照设定仿真频率步长采样的频率点；
所述输出部分反映其电路的性能度量，包括：散射参量，
对各个电路子模块分别建立神经网络模型；所述神经网络模型的输入为：电路子模块的器件参数与设计尺寸；所述神经网络模型的输出为作为电路仿真结果的散射参数；所述神经网络模型的基本单元为感知器；
将所述数据集分为训练集和验证集，使用训练集对所述神经网络模型进行训练，
使用验证集验证训练后的神经网络中，判断样本预测值和真实值的误差是否符合预设要求，若是，完成神经网络训练，若否，继续进行训练；完成训练和验证后，得到电路子模块神经网络；
S3、基于电路子模块神经网络，使用GPU进行并行计算：
S3.1.对各个电路子模块在规定设计空间内对可能的设计尺寸参量进行采样，形成输入参数矩阵Xk：
其中xij代表第i组对设计尺寸参量采样的第j个设计参量，Xk代表的是第k级子电路模块的设计参量集合，上式中Xk代表了共m组对设计参量的采样，每组设计参量为n维向量，即包含了n个设计尺寸；
S3.2.设定寻优频率范围与步长，形成带频率点信息的输入参数矩阵
其中fi，i＝1，2，…，l为在规定频率范围内与步长采样的频率点，
为带频率点信息的输入参数矩阵，
中的一个子矩阵代表一组设计方案在多个仿真频率点上加入了频率点信息的输入参数，每一个子矩阵来自与S3.1中Xk矩阵中的行向量重复扩展，并在最后带上频率点信息；
S3.3.将该矩阵输入神经网络模型之中，并使用GPU加速神经网络模型实现高并发运算，得到散射参量矩阵输出：
其中
为散射参量矩阵，其维度为m×l×8，其中以
为例，其含义代表共m组对设计尺寸采样中的第i组采样，对应l个采样频率点中第j个频率点时输出的散射参量s11；
S4、对各级子模块电路的散射参数结果级联计算，得到整体电路的散射参数结果：
S4.1.将S3.3中得到各级电路子模块神经网络的散射参量矩阵
中每一个频率点的散射参数拆分为四个分块矩阵，所述四个分块矩阵即s11，s12，s21，s22四个散射参量的实虚部信息：
其中，
代表第k级网络在设定的频段范围与步长采样频率点上的分块矩阵sij,i＝1,2,j＝1,2；
S4.2.各级电路子模块神经网络按以下四个公式所示的方式进行级联：
其中
代表前级级联网络A的Sij散射参数，
代表前级级联网络B的Sij散射参数，
代表网络A与网络B级联后形成的网络C的Sij散射参数；
级联计算中Sij为复数，Sij＝Re(Sij)+iIm(Sij)；
S5、从整体电路的散射参数结果中，搜索符合性能指标条件的优化方案；对搜索结果的优劣寻找帕累托Pareto最优解，筛选出符合实际工程指标的电路。
2.如权利要求1所述的一种基于高性能计算的射频电路寻优设计方法，其特征在于，所述射频电路为二端口网络的低噪声放大器。
3.如权利要求2所述的一种基于高性能计算的射频电路寻优设计方法，其特征在于，
所述步骤S2中，所述散射参量以向量的形式输出，包括：输入反射系数(S11)，输出反射系数(S22)，传输系数(S12,S21)四个散射参量的实虚部组成，共有8个维度，即为S11的实部Re(S11)，S11的虚部Im(S11)，S12的实部Re(S12)，S12的虚部Im(S12)，S21的实部Re(S21)，S21的虚部Im(S21)，S22的实部Re(S22)，S22的虚部Im(S22)。
4.如权利要求3所述的一种基于高性能计算的射频电路寻优设计方法，其特征在于，
所述步骤S5中所述性能指标条件包括以下四项要求：
要求一：为了降低输入的回波损耗，要求在工作频段上输入反射系数小于一个固定电路设计指标；
要求二：增益平坦度要小于一个固定电路设计指标，理想的放大电路，在通频带范围内，增益应当保持一个恒定值；
要求三：正向电压增益要尽足够大，要大于一个固定电路设计指标；
要求四：为了降低输输出的回波损耗，要求在工作频段上输出反射系数要小于一个固定电路设计指标。
5.如权利要求4所述的一种基于高性能计算的射频电路寻优设计方法，其特征在于，
所述四项要求用以下四个目标函数作为约束表示：
其中freq代表在规定频段上根据规定步长采样的频率点空间，
代表在频率点f上的对应散射参量，f1目标函数代表是在所选频段freq上的
的最大值，基于所述要求一，当所选频段freq上的
的最大值也满足设计指标时，则所选频段freq上的其他频率点也满足，所选频段freq上的
的最大值越小则认为电路性能越优越，该目标函数要尽可能的最小化；
f2是目标函数代表s21的平坦度，使用在所选频段freq上的
最大值与最小值的差值衡量，基于所述要求二，平坦度越低则认为增益在规定频段上变化越平缓，性能越好，该目标函数要尽可能的最小化；
f3是目标函数代表在所选频段freq上
的最小值，基于所述要求三，当所选频段freq上的
的最小值也满足设计指标时，则所选频段freq上的其他频率点也满足，所选频段freq上的
的最小值越大电路增益越大，则认为电路性能越优越，该目标函数要尽可能的最大化；
f4是目标函数代表在所选频段freq上的
最大值，基于所述要求四，当所选频段freq上的
的最大值也满足设计指标时，则所选频段freq上的其他频率点也满足，所选频段freq上的
的最大值越小输出回波损耗就越小则认为电路性能越优越，该目标函数要尽可能的最小化。
6.如权利要求5所述的一种基于高性能计算的射频电路寻优设计方法，其特征在于，所述四个目标函数的约束值分别为：
f1≤-11dB，f3≥16dB，f2≤0.2dB，f4≤-11dB；
对步骤S4中经过级联得到的整体电路的散射参数结果，首先经过以上四个约束值进行筛选，其次通过寻找更优越的f2与f4来寻找Pareto前沿。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211660419.0A CN115906741A (zh) | 2022-12-23 | 2022-12-23 | 一种基于高性能计算的射频电路寻优设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211660419.0A CN115906741A (zh) | 2022-12-23 | 2022-12-23 | 一种基于高性能计算的射频电路寻优设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115906741A true CN115906741A (zh) | 2023-04-04 |
Family
ID=86493366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211660419.0A Pending CN115906741A (zh) | 2022-12-23 | 2022-12-23 | 一种基于高性能计算的射频电路寻优设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115906741A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116595945A (zh) * | 2023-07-14 | 2023-08-15 | 浙江大华技术股份有限公司 | 高精度仿真散射参数提取方法、电子设备和存储介质 |
| CN118099699A (zh) * | 2024-04-26 | 2024-05-28 | 四川中久防务科技有限公司 | 一种基于波导的级联功率合成器及结构参数确定方法 |
-
2022
- 2022-12-23 CN CN202211660419.0A patent/CN115906741A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116595945A (zh) * | 2023-07-14 | 2023-08-15 | 浙江大华技术股份有限公司 | 高精度仿真散射参数提取方法、电子设备和存储介质 |
| CN116595945B (zh) * | 2023-07-14 | 2023-10-20 | 浙江大华技术股份有限公司 | 高精度仿真散射参数提取方法、电子设备和存储介质 |
| CN118099699A (zh) * | 2024-04-26 | 2024-05-28 | 四川中久防务科技有限公司 | 一种基于波导的级联功率合成器及结构参数确定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115906741A (zh) | 一种基于高性能计算的射频电路寻优设计方法 | |
| Kouhalvandi et al. | Automated deep neural learning-based optimization for high performance high power amplifier designs | |
| Kabir et al. | Smart modeling of microwave devices | |
| Menard et al. | Analytical fixed-point accuracy evaluation in linear time-invariant systems | |
| CN112597610B (zh) | 机械臂结构轻量化设计的优化方法、装置及设备 | |
| CN106372348B (zh) | 一种线性系统中基于误差控制的矢量拟合模型降阶方法 | |
| Jin et al. | Advanced cognition-driven EM optimization incorporating transfer function-based feature surrogate for microwave filters | |
| CN115906303A (zh) | 一种基于机器学习的平面微波滤波器设计方法及装置 | |
| Menard et al. | Quantization mode opportunities in fixed-point system design | |
| Dash et al. | Multiobjective analog/RF circuit sizing using an improved brain storm optimization algorithm | |
| Liu et al. | Automatic coupler design using data-driven-based modular neural network | |
| Ao et al. | Entropy estimation via normalizing flow | |
| CN116992806A (zh) | 一种基于自注意力机制的大规模模拟集成电路自动优化方法 | |
| Wu et al. | Parametric model for microwave filter by using multiple hidden layer output matrix extreme learning machine | |
| CN109903181B (zh) | 基于压缩感知的缺失数据集下的线损预测方法 | |
| CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
| CN115577777A (zh) | 超导量子芯片版图中器件电感能量占比的确定方法及装置 | |
| Parashar | System-level approaches for fixed-point refinement of signal processing algorithms | |
| Yang et al. | On building efficient and robust neural network designs | |
| Fornt et al. | Evaluation of the Functional Impact of Approximate Arithmetic Circuits on Two Application Examples | |
| CN116111984B (zh) | 滤波器的设计优化方法及装置、滤波器、设备、介质 | |
| CN112633500A (zh) | 一种基于分解思想的卷积神经网络代理模型的多目标优化进化计算方法 | |
| GÜNEŞ et al. | Multiobjective FET modeling using particle swarm optimization based on scattering parameters with Pareto optimal analysis | |
| Benala et al. | Software effort estimation using functional link neural networks optimized by improved particle swarm optimization | |
| Koziel et al. | Fast tolerance-aware design optimization of miniaturized microstrip couplers using variable-fidelity EM simulations and response features |
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 |