מבוא

תדר רדיו (RF) אדפטימטורים הם אבני בניין בסיסיות בתקשורת המודרנית, מכ"ם ומערכות לוחמה אלקטרונית.הביצועים שלהם משפיעים ישירות על שלמות האות, יעילות כוח, ואמינות המערכת הכוללת.היסטורית, מהנדסים התבססו על שילוב של משוואות אנליטיות, סימולציה אלקטרומגנטית (EM) ובדיקת אבטיפוס פיזיקליבית גבוהה יותר לנבאת כיצד מגברי חשמל מתקדמים יתנהגו בתנאים שונים - זמן, עומס, , אספקת מתח, בעוד שלעתים קרובות יותר ויותר; דרישות זמניות גבוהות יותר ויותר גבוהות יותר ויותר; זמן איטיות (אך) הן מתחלפות זמן איטיות (מספקות) הן איטיות) הן מתחלפות זמן איטיות יותר ויותר) הן מתחלפות זמן איטיות יותר ויותר) הן מתחלפות זמן איטיות (מ"מספקות) הן יכולות להיות מאפקטיביות) על ידי זמן איטיות של זמן איטיות (מספקות) על ידי אימון איטיות) על ידי זמן איטיות (מספקות של זמן איטיות של זמן איטיות של זמן איטיות של זמן, אם כימותרפיות של זמן איטיות) על ידי אימון אירוביות) על ידי אימון אירוביות של זמן איטיות) על ידי אימון אירוביות (מ

מהו סימולציה של AI-Driven?

סימולציה מונחת בינה מלאכותית מתייחסת לשימוש בלמידה של מכונה (ML) ואלגוריתמים עמוקים (DL) למודל וחיזוי ההתנהגות של רכיבי RF ללא פתרון המשוואות הפיזיות המלאות בכל שלב.במקום להתחיל ממשוואות מקסוול בכל פעם, מודל AI מאומן על סמך נתונים עשיר של זוגות קלט- ⁇ - לדוגמה, מתחים מוטה, גדלים טרנסטור, והתאמה לרשת לכדי התאמה יעילה לעיוותים, כמו פרמטרים, לאחר התאמה יעילה, כמו פרמטרים, לאחר התאמה אישית, כמו פרמטרים, כמו פרמטרים, כמו פרמטרים-זמנית, לאחר אימון, כמו פרמטרים-תרגול, כמו פרמטרים-זמנית, כמו פרמטרים-זמנית, כמו פרמטרים-זמנית, כמו פרמטרים-זמנית, לאחר מכן, לאחר מכן, לאחר פרמטרים-זמנית, פרמטרים-זמנית, פרמטרים-תרגול, פרמטרים-מתאים ביעילות, כמו פרמטרים-תרגול.

כמה טכניקות ML מוחלות בתחומים אלה.מודלים עצביים (למשל, תהליכים גאוסיים, רשתות עצביות) נפוצים עבור מדדי ביצועים רצופים.רשתות עצביות מהפכתיות (CNN) ניתן להשתמש כאשר הנתונים קלט מבוסס תמונה, כגון פריסת ג'ממטים. Recurrent רשתות עצביות (RNs) או ממירים עשויים להיות מועסקים עבור ניתוח זמן-דומיין.

מדוע שיטות מסורתיות נופלות קצרות

זרמי עיצוב RF מסורתיים מסתמכים על היררכיה של כלי סימולציה.סימולטורים ברמת המעגל (למשל, SPICE-based) להתמודד עם התנהגות ליניארית ולא ליניארית אבל הם איטיים עבור עיצובים בקנה מידה גדול או EM-heavy. Full-wave EM Solrs (HFSS, CST) מספקים פתרונות דיוק גבוה אבל הם יקרים חישוביים - סימולציה אחת עבור מגבר כוח מורכב עשוי לקחת מספר שעות ניתוח מונטה קרלו עבור ניקודמות, לעתים קרובות.

פרוטוטיפינג פיזי מציע את אימות הסופי, אבל כל מחזור ייצור עולה ועיכובים. הפער בין עיצוב מדמה לתוצאות נמדדות - עקב תהליך וריאציות, פרציטיות, ומודל אי דיוקים - לעתים קרובות דורש מספר ספינים. AI-דורגת פער זה על ידי מתן מהיר, מדויק כי ניתן להשתמש אופטימיזציה נרחב לפני כל חומרה בנוי.

היתרונות העיקריים של חיזוי AI-Driven עבור מגברי RF

  • (FLT:0Speed:03:03: ⁇ 1) מודלים של AI יכולים לחזות מדדי ביצועים במילי השניות לאחר אימון, המאפשרת עיצוב בזמן אמת גלגולים. A parametric גור אשר ייקח ימים במפתור EM ניתן להשלים בתוך שניות.
  • (FLT:0) יעילות: FLT:1 , הפחתה מספר הסימולציות הגלות הנדרשות וסימולציות אבטיפוס ישירות חותך את עלויות ההנדסה וההפצה של השלב המוקדם AI תחזיות מסייעות להימנע מעיצוב מאוחר בשלבים מאוחרים יקר.
  • (FLT:0) דיוקנות: רשתות עצביות מודרניות, כאשר מאומנים על נתונים גדולים ומגוונים מספיק, יכולים להשיג שגיאות חיזוי בתוך כמה אחוזים של סימולציה מלאה של פיזיקלסיקה.
  • (FLT:0)Optimization Enablement:FreaLT:1 עם מודלים פונדקאים מהירים, מהנדסים יכולים להפעיל אלגוריתמים גנטיים, אופטימיזציה מבוסס ⁇ , או אופטימיזציה Bayesian למצוא את הפרמטרים המגברים הטובים ביותר.
  • מודלים של FLT:0) תובנות של נתונים-Driven: מודלים של AI יכול לחשוף קורלציות מורכבות בין הפרמטרים עיצוב וביצועים כי לא ניתן להיות ברור מן העקרונות הראשונים.זה יכול להוביל עיצוב חדשני להתנצלות או הבנה טובה יותר של עצירות מסחר.

כיצד AI-Driven Simulation עובד: קו צינור

קביעת מודל AI עבור חיזוי מגבר RF כוללת מספר שלבים טכניים:

דור נתונים ואוסף

הקרן היא נקודת נתונים מקיפה.זה בדרך כלל מיוצר על ידי הפעלת סימולציות מסורתיות של EM או מעגלים על פני שטח פרמטר רחב - לדוגמה, שינוי רוחב transistor, הטיה שער, פלטה תואם ערכי רכיב רשת, ותדירות. לחלופין, נתונים יכולים להגיע ממדידות אוטומטיות של אבטיפוס שנבנה בעבר.איכות וכיסוי של הביצועים מודל ישירות.מהנדסים חייב להבטיח את פרמטרים שנועדו לפעול ביעילות, כולל קצוות כמו מקרים של צינורות.

עיבוד והנדסת תכונות

נתוני סימולציה רול מכילים לעתים קרובות רעש, חריגים, או ערכים חסרים.צעדים לעיבוד כוללים נורמליזציה, קנה מידה, ואולי ירידה ממדית (למשל, PCA) הנדסת תכונות עשוי לכלול המרת מסכי S-parameter לתוך ערפל או עלייה עקומות, תמצית מדדים מרכזיים (PAE, OIP3, P1dB), או יצירת רוחב פס מורכב כמו.

בחירת מודל ואימון

עבור תחזית ביצועי RF, רשתות עצביות מתקדמות משמשות בדרך כלל.אדריכלות טיפוסית עשויה להיות בעלת 3-5 שכבות נסתרות עם 100-500 נוירונים כל אחד, באמצעות הפעלה מחדש של ReLU. שכבת הפלט משתמשת הפעלה ליניארית של משימות רגרסציה. גישות מתקדמות יותר כוללות רשתות עצביות Bayesian עבור אי ודאות, או רשתות עצביות-מודעות לפיזיקה (PINN) אשר מטביעות משוואות ידועות לתפקוד האובדן כדי לאכוף את הגמישות פיזית.

אימות וזיהוי בלתי-וודאי

לאחר אימון, המודל חייב להיות מאומת על נתונים במבחן מוחזקים. mtrics כמו שגיאה מוחלטת (MAE), שורש פירושו טעות מרובע (RMSE), ו R-quared הם מקובצים.זה קריטי גם להעריך את יכולת ההסגרה של המודל - איך זה מתנהג מחוץ לטווח האימונים. , הערכות בלתי-וודאות ניתן להשיג באמצעות ירידה בזמן (מונטה קרלו) או באמצעות מודלים של אגואיסטיים, אשר מספקים מודלים של אבטחה.

שילוב של Design Flow

המודל הסופי הוא פרוס כמרכיב תוכנה שניתן לקרוא מתוך מסגרת עיצוב.לדוגמה, ניתן לשלב אותו עם קדינס, ADS, או MATLAB, המאפשר החלפת חלקה עבור סימולציות EM מלאות במהלך אופטימיזציה.מודל צריך גם להיות מעודכן מעת לעת כמו נתונים חדשים הופך זמין (למידה מקוונת).

מדריך שלב-בי-Steptlementation Guide

עבור צוות הנדסי שמחפש לאמץ סימולציה המונעת על ידי AI עבור תחזית מגברי RF, התהליך הבא מומלץ:

# 1 - § , סמן את הבעיה

ברור כי delineate אשר מדדי ביצועים מגבר הם להיות חזו (gain, דמות רעש, כוח פלט, יעילות, לינאריות) ותחת אילו שינויים ( ⁇ , טמפרטורה, מתח אספקה, אימפולס עומס) גם מגדיר את מרחב הפרמטר קלט - גאומטריה טרנסיסטית, תנאי הטיה, תנאי רכיב פסיבי.

איסוף וקידום נתונים

הפעל קבוצה של סימולציות EM או מעגלים המכסים את שטח הפרמטר המוגדר. השתמש בעיצוב של ניסויים (DOE) גישה כדי למקסם את הכיסוי. Aim עבור לפחות כמה אלפי דגימות עבור עיצוב מורכב מדי; יותר עבור למידה עמוקה.חנות נתונים בפורמט מובנה (למשל, CSV, HDF5) לבצע ניקוי ונורמליזציה.

בחר ורכב מודל AI

התחל עם רב-שכבות פשוטות Perceptron (MLP) כניסוי בסיס. עם ארכיטקטורות שונות (שכבות עמוקות יותר, שכבות רחבות יותר, ירידה, נורמליזציה אצווה) להשתמש בסתירה חלקית כדי להימנע מהתאמה יתר.רכבת באמצעות ירידה מינימלית עם עצירה מוקדמת על בסיס אובדן אימות.

4.הופנה נגד מבחן

החזק 15-20% מהמידע עבור בדיקות סופיות.שוואת תחזיות לערכי סימולציה בפועל.חלקות תפוצה תפוצה מפוכחת וחלוקות שאריות.אם שגיאות עולות על סף מקובל (למשל, 1 dB לרווח), עיין מחדש באיכות הנתונים או מורכבות המודל.

השתמש במודל למחקרי עיצוב

עם פונדקאית מאומתת, לרוץ אלפי הערכות כדי לחקור את המרחב העיצוב.לדוגמה, לבצע אופטימיזציה רב-אובייקטיבית כדי למקסם את היעילות ואת ליניאריות בו-זמנית. השתמש במודל AI בתוך לולאה עם אלגוריתם גנטי או אופטימיזציה המבוססת על פונדקאית.

6.הגעון עם העברת הלמידה

אם היישום משתנה מעט (למשל, להקה בתדר שונה), לרכוש את המודל לפני אימון עם התחלה קטנה של נתונים חדשים במקום לאימון מאפס.זה מאיץ אימוץ על פני פרויקטים מרובים.

7. ⁇ ו- Monitor

החבילה את המודל כספריית פייתון או משולבת בכלי הסימולציה הקיים.עקב דיוק החיזוי כנתוני מדידה חדשים נכנס; אימון לפי הצורך לשמור על נאמנות.

יישומים אמיתיים ומקריות

תחזית מגברי RF המונעת על ידי AI כבר מוחלת בתעשייה ובמחקר.

GaN Power Amplifier

גליום nitride (GaN) טרנזיס הם פופולריים עבור יישומים בעלי עוצמה גבוהה אבל להציג השפעות לא ליניאריות חזקות וזיכרון. חוקרים ב קבלן הגנה גדול השתמש ברשת עצבית פונדקאית על הדופק הרביעי ו- S-parameter כדי לחזות את הביצועים של 100 W GaN PA תחת שינוי מוטציות עומס.המודל מופחתת סימולציה של 8 שעות עד 2 דקות, המאפשרת אמת-ההתאמה של רשת DB3, בהתאמה.

אדמירל נמוך (LNA) אופטימיזציה

צוות בחברת תשתיות אלחוטית הגיש מודל של תהליך גאוסיאני לייעל את LNA עבור 5G מסיבי MIMO. על ידי אימון על 2,000 סימולציות של ערכים שונים של מחנכים וגדלים טרנזיר, הם חזו את דמות הרעש ולהשיג פני פינות תהליך.האופטימיזציה מונחת מודל מצא עיצוב עם שיפור של 0.3B ברעש בהשוואה לבסיס ממוכוון, ואת העיצוב היה מאומת על ידי פחות מ- 0B.

המונחים: Automated Fiting

כלי תוכנה כמו Keysight's FLT:0 (AI/ML Simulation SuiteFLT:1) מציעים כעת מודלים פונדקאים מובנה עבור נתונים על עומס-טיפה, באופן דומה, FLT:2MATLAB של RF Toolbox Toolbox 3FLT 3 כולל פונקציות עבור רשתות עצביות על נתונים S-פרמטר.

מודל התנהגותי עבור מערכת Simulation

מודלים התנהגותיים בעלי אינטליגנציה מלאכותית יכולים להחליף מעגלים מגבריים ברמת הסימולציות של מערכת (למשל, בסימפולינק או מערכתVue) זה מאיץ את סימולציה המערכת הכוללת תוך שמירה על השפעות לא ליניאריות וזיכרון.מחקר שפורסם בסימולציות של ה-FLT:0Microwave JournalFLT:1 הראה כי רשת עצבית חוזרת של 20 WPA יכול לחזות במדויק ו-ACMulated תחת אותות.

אתגרים ושיקולים

למרות ההבטחה, סימולציה המונעת על ידי בינה מלאכותית אינה כדור כסף.

כמות הנתונים והאיכות

מודלים יעילים של אימון דורשים לעתים קרובות אלפי או עשרות אלפי דגימות סימולציה או מדידה.יצירת נתונים אלה היא עצמה יקרה יותר, יתר על כן, הנתונים חייבים לכסות את כל אזור ההפעלה המיועד; תוספת מעבר לנתונים האימונים היא מסוכנת.

התאמה ו generalization

רשתות נילי יכולות בקלות להזכר נתוני אימון, במיוחד כאשר המודל הוא גדול יחסית להצגת הנתונים.סדירזציה, טיפת וסגידה הם חיוניים.מגבלות פיזיות (למשל, פסיביות, סיבתיות) ניתן לאכוף באמצעות תנאי אובדן מידע בפיזיקה.

יכולת

מודלים של בינה מלאכותית הם לעתים קרובות קופסאות שחורות.מהנדסים עשויים להיות רגישים לחיזויים ללא הבנה מדוע טכניקות כמו SHAP או LIME יכולות לספק חשיבות תכונה, אבל הם פחות נפוצים בתחום RF.

שילוב עם כלים קיימים

צוותי עיצוב RF רבים עובדים בתוך סביבות EDA מסחריות אשר עלולות לא לתמוך בשילוב מודל AI, לעומת זאת, קריפטציה אישית או גשרים של API נדרשים לעתים קרובות.התעשייה מאמצת לאט סטנדרטים פתוחים כמו פורמט ONNX להחלפת מודלים.

משאבים משותפים

בעוד ההפרעה מהירה, אימון מודלים גדולים יכול לדרוש האצה GPU.צוותים ללא גישה למחשוב ביצועים גבוהים עלולים להיאבק.פתרונות מבוססי ענן זמינים יותר ויותר.

מגמות עתידיות בעיצוב RF AI-Driven

התחום מתפתח במהירות.כמה מגמות מתעוררות יעצבו עוד יותר כיצד מגברי RF מתוכננים:

  • (FLT:0) תאומים: FLT:1 מודל AI מעודכן ברציפות המשקף מגבר פיזי בתחום, תוך שימוש בנתונים של חיישן בזמן אמת עבור תחזוקה חיזוי אופטימיזציה ביצועים.
  • (FLT:0) חיזוק הלמידה עבור כוונון מתאים: ⁇ FLT ( 1 AI סוכנים אשר לומדים הטיה אופטימלית או התאמה של התאמות במהלך המבצע, המאפשרים מגברים עצמי לפצות על ההזדקנות או סחף הטמפרטורה.
  • (FLT:0) עיצוב גרפי: FLT:1 gans (רשתות ניווניות) המציעים מגבר חדש להתנצלות או דפוסים של הפריסה, אשר מוערכים על ידי מודלים חלופיים.
  • (FLT:0) On-Chip Machine Learning: FLT:1 , Embedding קל AI ליבות ישירות על מעגלים משולבים RF עבור שליטה בזמן אמת לינאריזציה - צעד לקראת רדיו קוגניטיבי.
  • (FLT:0) Multi-Fidelity Fusion:03FLT:1) שילוב של נאמנות נמוכה (זמן אך קרוב) ונתוני סימולציה גבוהה (נמוך אך מדויק) במודל יחיד, תוך שימוש בטכניקות כמו למידה מרובה-task או שיטות היררכיות ביילסיאן.זה מקטין את הצורך בנתונים יקרים.

מסקנה

סימולציה המונעת על ידי AI אינה רק חידוש - היא הופכת כלי חיוני בזרימת העבודה של מהנדס RF. על ידי הצעת מהירות שליטה על עלייה בחיזוי ביצועים, היא מאפשרת מחקר עיצוב יסודי יותר, מהיר יותר זמן לשוק, ובסופו של דבר יותר ביצועים גבוהים לפגוש מגברים RF - נתונים, מודל הדרכה, אימות, פריסה - פעולות קדימה, אבל דיבידנדים מרובים של טכניקות מתקדמות יותר כדי להתאים את עצמם, כמו גם את יכולות כניסה אלחוטיות יותר, כמו גם למערכות AIG.