בינה מלאכותית (AI) יש בצורת יסודית כיצד מהנדסים להתמודד עם בעיות אופטימיזציה מורכבות באלקטרוניקה, ואת העיצוב של תדר רדיו (RF) מגברי רדיו הוא לא יוצא דופן.מרכיבים קריטיים אלה תחת תקשורת אלחוטית מודרנית - מתחנות בסיס סלולרי ו נתבים Wi-Fi כדי לבחון קישורים לווייניים ו- 5G תשתיות עיצוב סימולציה יעילה יותר, כולל איזון של ביצועים מתחרים: רווח, לינארי, יעילות, יעילות, ואפקטים, ואפקטים מהירים יותר, כלומר, שיטות תכנון יעילות גבוהה יותר, כלומר, שיטות עיבוד מחשבתית.

עיצוב RF מסורתי: תהליכים ונקודות כאב

לפני ש- AI נכנס לשיחה, עיצוב מגברי RF הלך בעקבות זרימת עבודה מבוססת היטב.מהנדסים מתחילים על ידי הגדרת מפרטי יעד - תדירות הפעלה, כוח פלט, לינאריות (לעתים קרובות באה לידי ביטוי כנקודת יירוט של סדר שלישי, IP3), יעילות (יעילות מבוססת כוח, PAE), ורווח.S.R.D הם בוחרים טכנולוגיית transistor מתאימה (GaN, Gag, SiGe, LDS, וכו ') ו-RKemcsight, , , , , סימולציה (RKIR) ו-A.com, סימולציה (RKIRD) באמצעות A.RKIRD.RKIRD) באמצעות סימולציה (RKIRD) באמצעות סימולציה (RKIRD) באמצעות A.RKIRD.RIRD, C.RKIRD, סימולציה, סימולציה, סימולציה, סימולציה, באמצעות A.RK, סימולציה, באמצעות A.RKIRD.RIRD.RIRST, סימולציה, סימולציה, באמצעות A.RDR, סימולציה, סימולציה, לאחר מכן, באמצעות A.S, סימולציה (RKIRST,

ריצות סימבול יכולות להיות מספר באלפים, עם מהנדסים באופן ידני tweaking ערכים - רוחב שער, נקודות הטיה, התאמת רשתות אינדוקטורים ו- capacitors - כדי להכות את ביצועי היעד.גם עם סימולטורים מודרניים אלקטרומגנטיים (EM), כל לולאה טונינג יכול לקחת שעות עבור מגבר חד-שלב חד-שלבי יחיד.

  • (ב) ,0) עוצמת הזמן: מחזור אופטימיזציה יחיד עשוי לצרוך שבועות של מאמץ הנדסי.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ניתן לנווט את צוואר הבקבוק: FLT:1 רק קומץ מהנדסים בכירים יכולים לנווט ביעילות את ההעברות.
  • (ב) ⁇ :0) חקרו: 1FLT: עלות הסימולציה מעצירת את מספר שילובי הפרמטרים שהוערכו, מה שהופך עיצובים טובים יותר ללא גילוי.
  • (ב) מאמץ רב: 1 (FLT:103) כל דרישות חדשות לחזרה על התהליך המלא של ידני מאפס.

נקודות כאב אלה הניעו את החיפוש אחר טכניקות אופטימיזציה אוטומטיות, מונעות אינטליגנציה.AI מבטיחה לפרוץ את המחסומים האלה על ידי מיפוי מהיר של היחסים בין הפרמטרים עיצוב ותוצאות ביצועים, המאפשרות למהנדסים למצוא פתרונות אופטימליים ברחבי העולם בשבריר מהזמן.

טכניקות AI Core עבור RF Amplifier

כמה מתודולוגיות בינה מלאכותית הוכיחו יעילות ב-Accerating ושיפור עיצוב מגבר RF.הידוע ביותר כוללים למידה ממוחשבת מבוקרת, רשתות עצביות מלאכותיות (ANNs), אלגוריתמים אבולוציוניים (EAs), ולמידה חיזוק (RL) כל גישה מביאה כוחות נפרדים בשלבים שונים של זרימת העיצוב.

Supervised Machine Learning: חיזוי ביצועים מ-Prameters

בלמידה מבוקרת, מודל מאומנים על תחילת נתונים של זוגות עיצוב או מדדים בעבר או ביצועים ביצועים.לדוגמה, תכונות קלט עשויים לכלול גודל transistor, מתח הטיה, התאמת ערכי רכיב רשת, והלהקה תדרים הם מדדי ביצועים: רווח, PAE, IP3 ו-רעש דמות.לאחר אימון, המודל יכול מיד לחזות כיצד שילוב חדש של פרמטרים יבצעו, החלפת זמן או סימולציה אלקטרומגנטית.

אלגוריתמים נפוצים כוללים יערות אקראיים, עצים ⁇ -boosted (XGBoost, LightGBM), ותמיכה ב-Vergressors. עם זאת, כי התנהגות מגבר RF היא מאוד לא לינארית, רשתות עצביות עמוקות (DNN) לעתים קרובות מניבות דיוק מעולה. DNN מאומנים היטב יכול להשוות את התגובה המלאה S-parameter או איזון הרמוני לרמה בתוך כמה אחוזים, המאפשרת מודל מהיר של זמן כדי אופטימיזציה של זמן קצר לאחר מכן, לאחר מכן, לאחר מכן, 000, 000, לאחר מכן, 000, 000, 000, 000, 000, 000, 000, 000, 000 זמן קצר לאחר מכן, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 זמן קצר לאחר מכן, 000, 000, 000 זמן קצר לאחר מכן, 000, 000 זמן קצר לאחר מכן, 000, 000, 000 מנקה, ללא טיפול יעיל של טיפול סימולציה ללא טיפול סימולציה ללא טיפול סימולציה ללא טיפול סימולציה ללא טיפול יעיל של טיפול סימולציה ללא טיפול סימולציה מוגבלת, 000, 000 זמן קצר לאחר מכן, 000, 000, 000, 000, 000 זמן קצר לאחר מכן, 000

רשתות לוגיות עבור Nonlinear Behavioral Modeling

מעבר למודלים הפונדקאים, רשתות עצביות לומדות ישירות את המאפיינים הלא ליניאריים של טרנסטור חיוני עבור עיצוב מגבר RF מדויק.מודלים המבוססים על פיזיקה (למשל, אנג'לוב או צ'למרס) דורשים מיצוי פרמטר נרחב מהנתונים נמדדים, תהליך שיכול להיות הסתברות וטכנולוגיה עצמאיות.מודלים התנהגותיים מבוססי ניאל - מאומן על עקומות מדד-V ו- S-פרמטרים - ללכוד את המורכבות המלאה של משוואות זיכרון מודרניות (כולל אפקטים פיזיים) ללא אפקטים).

מודלים עצביים אלה יכולים להיות מוטבעים ישירות לתוך סימולטורים מעגלים באמצעות ממשקים מודל מותאם אישית (למשל, Verilog-A או Keysight's SDD) לאחר שהוכנס, הסימולציה פועלת באמצעות המודל העצבי, שהוא מהיר ומדויק יותר מאשר מודלים אנליטיים לטעון התקנים הפועלים בתדרים קומפקטיים של מילימטר (מעל 24 GHz) שבו טפילים יקרים שולטים, לדוגמה, רשת עצבית של 28m מקסימום של CM2 יכול לדרוש מדידות מצופה פחות ממטר אחד על פני טרה-אופטימיות מאשר טרה-אומטיות מצופה מ-אומטיות קיבולת נמוכה יותר מאשר קיבולת של קיבולת של טרה-אומטית של טרה-מ"מ"מ"מ"מ-אופטימ-אופטימיות (מעל 24 קיבולת) מאשר טרה-אומטית אחת מ-אומטית אחת מ-אומטית של קיבולת נמוכה יותר מאשר קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של טרה-או יותר מאשר טרה-מ-מ-מ-מ-מ-מ-מ-מ-

גנטיקה Algorithms ו- Evolutionary Optimization

אלגוריתמים גנטיים (GAs) הם סוג של חישוב אבולוציוני בהשראת הברירה הטבעית.בעיצוב מגבר RF, GA שומרת על אוכלוסייה של עיצובים מועמדים, כל אחד מהם מוצפן כקטור של פרמטרים (למשל, ערכי רכיב, נקודות הטיה) באמצעות פעולות של בחירה, צולב ומוטציות, GA מתפתח את האוכלוסייה לאורך דורות לעבר כושר גבוה יותר - בדרך כלל סכום של עלייה, יעילות, ומטרות לינאריות.

GAs מצטיין בחקר חללי עיצוב מורכבים, רב-ממדיים שבהם שיטות מבוססות ⁇ להיכשל.הם בעלי ערך מיוחד עבור אופטימיזציה של רשתות התאמה עם רכיבים רבים (מספקים, capacitors, קווי שידור) כי המרחב הפרמטר הוא גבוה ממדים ולא-convex. הטמעתים מודרניים משלבים GAs עם יעילות עצבית (inducation), כדי להפחית את מספר הסימולציות היקרות, הביצועים העצביים של רשתות חיזוי, ורק עבור יישומים היברידיים, כלומר, הם מדדים 60%, אשר שימשו את האפקטיביים מאובטחים, רק כדי להשיג את האפקטים האחוריים של צוות אופטימיזציה אחוריים, רק עבור אופטימיזציה אחורית של 20%, כלומר, כלומר, רק עבור אופטימיזציה אחורית של מערכת ההפעלה, כלומר, רק כדי להשיג את מספר כוונון, רק עבור יעילות צוות אופטימיזציה אחורית של 2.

Reinforcement Learning: Agents

Reinforcement למידה (RL) לוקח אופטימיזציה מונע AI צעד נוסף על ידי אימון סוכן לנקוט פעולות היתכנות - לדוגמה, התאמת ערך רכיב אחד לאחר אחר - במטרה למקסם את הפרס המצטבר (ביצועים המגבר הסופי) הסוכן לומד מדיניות באמצעות ניסוי וטעייה בסביבה מדומה.

ב-RL מבוסס RF אופטימיזציה, המדינה כוללת את הפרמטרים העיצוביים הנוכחיים ואת תוצאות הסימולציה; הפעולה היא הפרעה של רכיב ספציפי; ואת הפרס הוא פונקציה של שיפור ביצועים. Over פרקים, הסוכן לומד לנווט את חלל העיצוב ביעילות. תוצאות מוקדמות מצביע על כך ש-RL יכול להתאים באופן ידני או לעבור על הילוך גבוה יותר של מומחה אנושי מגובה כמה הזמנות של גודל מהיר יותר.

המונחים: Integrating AI into the RF Designflow

אימוץ AI עבור אופטימיזציה של מגבר RF הוא לא הצעה כלל או כלום מהנדסים יכולים להציג AI בנקודות שונות בשרשרת הכלים הקיימת.

  1. (FLT:0) עיצוב estimation:FreaLT:1) השתמש במודל למידה מכונה מאומן כדי להעריך במהירות מפרטים אפשריים (gain, פלט כוח, יעילות) עבור רצועת transistor ותדירות נתונה, עוזר מהנדסים להגדיר מטרות מציאותיות לפני סימולציה מפורטת.
  2. (FLT:0) אופטימיזציה ממוקדת-מבקש: ההרחבה: ElementFLT:1) להחליף עשרות סימולציה רץ על ידי קריאה לרשת עצבית פונדקאית בתוך אופטימיזציה (למשל אלגוריתם גנטי) הפונדקאית מעודכנת עם נתונים סימולציה חדשים כמו התקדמות החיפוש - טכניקה הנקראת למידה פעילה.
  3. (FLT:0) חיזוי עומס חד-פעמי: אנדרל 1 (NiveFLT:1) מודלי רשת נילי מאומן על נתונים של עומס-סגול יכולים לחזות את המקור האופטימלי ועומס עבור טרנזיסטור מבלי לבצע את מלוא עומס הניסויים על מנת לחסוך שעות מדידה.
  4. (FLT:0)Digital Twin and in-circuit tuning:FLT:1 מודל AI מאומן הן נתונים מדומים וממדדים יכול לפעול כתאום דיגיטלי של המגבר הפיזי, המאפשר למוטב להציע התאמות בזמן אמת (למשל, הגדרות רב עוצמה דיגיטלית) במהלך cabration במפעל.

כל נקודת אינטגרציה מפחיתה את מספר הסימולציות או המדידות היקרות. תרחיש אימוץ טיפוסי עשוי להתחיל עם שימוש ביער אקראי כדי להעריך את הכדאיות, ואז להתקדם לאופטימיזציה מלאה של GA-network-ed עבור עיצוב סופי.

מחקרים: AI בפעולה עבור RF Amplifier

מקרה 1: GaN Power Amplifier for 5G Base Stations

צוות בחברת Semiconductor גדולה השתמש ברשת עצבית עמוקה כפונדקאית לייעל את כוח 2 שלבים GaN מגבר כוח עבור 3.4-3.8 GHz 5G הלהקה. הם אימנו את DNN על 10,000 ריצות סימולציה (כל לוקח 2 שעות) מ- EM-circuit co-sulation 32BN השיגה חיזוי של פחות מ-2% עבור PAE ורווחה זה, 000 ימים, 000 זמן, 000 של עיצוב חשמל, 000 $, 000 1BN, 000, 000, 000, 000, 000, 000, 000, 000 זמן, 000, 000, 000, 000, 000 זמן, 000 זמן, 000, 000 אלגוריתם מדדו של ציוד ייצור חד אלגוריתם, 000, 000 1BN, 000, 000, 000, 000, 000, 000, 000 1BN, 000, 000 זמן, 000 זמן, 000 זמן, 000 זמן, 000 זמן, 000 זמן, 000 זמן, 000 זמן, 000 אלגוריתם, 000 זמן, 000, 000 זמן, 000 זמן, 000 זמן, 000 זמן, 000, 000 זמן, 000 זמן, 000, 000 זמן, 000 של אלגוריתם, 000 זמן, 000 של אלגוריתם של אלגוריתם, 000 זמן, 000 אלגוריתם

מקרה 2: מילימטר-ואב CMOS PA עם Reinforcement Learning

חוקרים באוניברסיטה הגישו למידה עמוקה חיזוק בעיצוב של 28 GHz CMOS כוח מגבר למכשירים ניידים.מרחב המדינה כלל 15 פרמטרים עיצוב (טרנסיסטאור רוחב, מתחים הטיה, התאמת רשת CMOS ו capacitors) סוכן ה-RL השתמש בגרסת Q-learning עם מדיניות רשת עצבית.לאחר 300 פרקים (כל אחד מהם מפעיל סימולציה מעגלית), מצא עיצוב של 20% של PA ב 14.52 שבועות לא נחשב למעבד ידני עם סימולציה של מערכת ההפעלה).

אתגרים ומגבלות של עיצוב RF AI-Driven

למרות ההבטחה שלה, שילוב בינה מלאכותית בעיצוב מגבר RF עומד בפני מכשולים אמיתיים.מחסור בנתונים הוא נושא עיקרי: הכשרה מודלים מדויקים דורש אלפי סימולציה באיכות גבוהה או דגימות מדידה, אשר יקרים לייצר. מאגרי נתונים קטנים מובילים להתאמה יתר וגרועה למרחבי עיצוב חדשים.

גם אי-אפשרות משנה.מהנדסי RF צריכים להבין מדוע עיצוב עובד – שהוא קריטי לליניאנס, למשל, רשתות נילי הן קופסאות שחורות, מה שהופך את זה קשה להשיג תובנה פיזית.

יתר על כן, עיצובים AI-optimized עשויים לדחוף רכיבים לרווחים שלא נכללו בהתפלגות האימונים, המוביל לצוקי ביצועים.לדוגמה, אלגוריתם גנטי עשוי להציע ערך עבור קיבול שאינו זמין כמרכיב סטנדרטי, או שגורם לאי יציבות מחוץ לתנאי הסימולציה הצרים. Robustness Check and in משלב של סובלנות ייצור הם חיוניים אך לא תמיד נכללים באופטימיזציה של AI.

לבסוף, עלות האינטגרציה - הן ברישיון תוכנה עבור תיבות כלי AI והן בזמן אימון עבור המודלים - יכול להיות לא טריוויאלי.קבוצות עיצוב רבות חסרות מומחיות במדעי הנתונים בתוך בית כדי לפרוס ולתחזק מודלים AI לצד כלי סימולציה RF מסורתיים.

כיוונים עתידיים: היכן AI ו-RF Design הם ראשיים

בשנים הקרובות סביר להניח שמערכות בינה מלאכותית סגורות המשלבות סימולציה, מדידה וזיהוי מחדש בזמן אמת.לדוגמה, תחנת בדיקה רובוטית יכולה למדוד מגבר אב-טיפוס, להאכיל את הנתונים למודל AI, ולתאים את העומס באמצעות מנגן – הכל תוך דקות במקום ימים. מושג זה, שכבר הוכח באקדמיה, לכיוון "עצמי" מול קו-הפחתת קו-הוריאנטים, שמגמלמלמלצים את עצמם לשנות תנאים.

כיוון מבטיח אחר הוא רשתות עצביות מבוססות פיזיקה (PINNs), אשר להטביע את משוואות אלקטרומגנטיות או מעגלים לתוך תפקוד אובדן הרשת. PINN דורש פחות אימון נתונים כי הם ממינוף הפיזיקה המוכרת, לייצר מודלים כי מפרשים יותר אמין. עבור עיצוב מגבר RF, PINN יכול להיות מאומן באמצעות רק S-meters של המכשיר מטאטא חלקי ועדיין לחזות ביצועים מלאים עם דיוק גבוה.

בנוסף, AI (למשל, autoencoders וריאציות או רשתות ניווניות) יכול להציע מגבר חדש לגמרי להתנצלות ולא לנסח בתוך טופולוגיה קבועה.עבודה מוקדמת על עיצוב ניוון של מסננים מיקרוגל מרמז כי שיטות דומות יכולות להניב ארכיטקטורות מגבר חדש שבני אדם לא יכולים להרות.

לבסוף, הזמינות הגוברת של קוד פתוח נתונים (כגון FLT:0Keysight ADSIRLT:1 ו-FLT:2 ציבוריות RF מגברי נתונים על GitHubrovFLT 3: 3) יזרזו מחקר ופיתוח.

תחילתו: צעדים מעשיים עבור צוותי עיצוב

עבור צוותי הנדסה שוקלים שילוב בינה מלאכותית, מומלץ גישה בשלב זה.התחל על ידי זיהוי צוואר בקבוק מסוים - לדוגמה, אופטימיזציה עומס-סגול עבור טרנזיסטור חדש. לאסוף נתונים של לפחות 500 סימולציה או נקודות מדידה המכסות את טווח הפרמטר הרלוונטי.רכבת מודל פשוט (נהרות או רשת עצבית רדודה) ולהשוואת התחזיות שלה לתוצאות סימולציה ניתנותנותנות.אם דיוקים מעל 90% (למשל, בתוך מודל 1B, לשימוש נוסף, כדי להשתמש במדריךים), כדי להשתמש ב-D.

בהמשך, לשלב את המודל לתוך אופטימיזציה.כלי סימולציה RF מסחריים רבים כוללים כעת תוספי אופטימיזציה מבוססי AI - FLT:0Cadence של סביבת עיצוב מיקרוגל של IEEEFLT:1 ו-FLT:2 התוכנה AWR של AWR SoftwareuaFLT 3 מציע מודלים חלופיים ואלגוריתם גנטי.

לבסוף, לאמת עיצובים מגנים בינה מלאכותית עם סימולציה מעמיקה ומדידה, במיוחד ליציבות ולסובלנות בייצור.לתייחס ל-AI כעוזר חזק החוקר את מרחב העיצוב, אך תמיד לאמת את המודלים הטובים ביותר המבוססים על הפיזיקה.

מסקנה

אינטליגנציה מלאכותית אינה מחליפה מהנדסי RF – היא מציידת אותם בכלים כדי לעבוד חכם ומהיר יותר. Machine Learning, רשתות עצביות ואלגוריתמים אבולוציוניים משנים את המשימה המזעזעת, ההולכת וגוברת של אופטימיזציה לשילוב מונע נתונים, תהליך אוטומטי שיכול לחקור חללי עיצוב עצומים בשעות ולא שבועות.היתרונות – שיפור ביצועים, מחזורי פיתוח קצרים יותר, עלויות נמוכות יותר, ויכולת להתמודד עם יותר, יכולות להתמודד עם שיטות הפעלה שאפתניות יותר, כבר יהיו בטווח של 5G, בעוד שמפתחות של שיטות חיפוש מטושטשות, בעוד שמפתחות, בעוד שמפתחות של שיטות הפעלה מהירות של מערכות תקשורת אלחוטיות, בעוד שמפתחות, בעוד שמפתחות של מערכות תקשורת אלחוטיות של מערכת תקשורת אלחוטיות, הן מורכבות, הן מורכבות, בעוד שמפתחות, הן מורכבות של מערכת תקשורת מתקדמות של מערכת תקשורת אלחוטיות, בעוד שמפתחות, בעוד שמפתחות של מערכות תקשורת אלחוטית, הן יכולות להיות מנטרלכותנה של מערכת תקשורת אלחוטית, בעוד שמפתחות, בעוד שמפתחות, הן יכולות להיות מנטרקנן של מערכות מחשוב מהירות של מערכות מחשוב אלחוטית של מערכות מחשוב, בעוד שמפתחות, הן יכולות להיות מנטרלכותנה של מערכת תקשורת אלחוטית, בעודן של