Использование искусственного интеллекта в оптимизации дизайна усилителя Rf

Искусственный интеллект (ИИ) коренным образом изменил то, как инженеры решают сложные проблемы оптимизации в электронике, и дизайн усилителей радиочастот (RF) не является исключением. Эти критические компоненты лежат в основе современной беспроводной связи - от сотовых базовых станций и маршрутизаторов Wi-Fi до спутниковых линий связи и инфраструктуры 5G. Оптимизация усилителя RF включает в себя балансирование сети конкурирующих показателей производительности: усиление, линейность, выходная мощность, эффективность и показатель шума. Традиционные методы в значительной степени зависят от итеративного моделирования и ручной настройки, процесс, который может занять недели и потребовать более глубокого опыта домена. ИИ предлагает более быструю, более масштабируемую альтернативу, изучая данные для прогнозирования лучших вариантов проектирования, снижая зависимость от моделирования грубой силы и позволяя инженерам исследовать гораздо большие пространства проектирования. В этой статье рассматривается роль ИИ - особенно машинное обучение, нейронные сети и эволюционные алгоритмы - в революции оптимизации проектирования усилителя RF, детализируя методы, реальные преимущества и новые тенденции.

Традиционный дизайн усилителя РФ: процессы и болевые точки

Перед тем, как ИИ вошел в разговор, конструкция усилителя RF последовала за хорошо установленным рабочим процессом. Инженеры начинают с определения целевых спецификаций - рабочей частоты, выходной мощности, линейности (часто выражаемой как точка перехвата третьего порядка, IP3), эффективности (эффективность с добавлением мощности, PAE) и усиления. Затем они выбирают подходящую технологию транзистора (GaN, GaAs, SiGe, LDMOS и т. Д.) и топологии (общий источник, каскод, Doherty). Следующий шаг включает обширное моделирование схем с использованием таких инструментов, как ADS (Keysight), Cadence AWR или NI AWR Microwave Office.

Моделирование может насчитывать тысячи, при этом инженеры вручную настраивают значения компонентов — ширину затвора, точки смещения, соответствующие сетевые индукторы и конденсаторы — для достижения целевой производительности. Даже с современными электромагнитными (ЭМ) тренажерами каждый цикл настройки может занять часы для одного многоступенчатого усилителя. После достижения правдоподобной конструкции физическое прототипирование и измерение добавляют дополнительные итерации. Этот обычный подход имеет несколько неотъемлемых недостатков:

Эти болевые точки стимулировали поиск автоматизированных, интеллектуальных методов оптимизации. ИИ обещает преодолеть эти барьеры, быстро сопоставляя соотношение между параметрами проектирования и результатами производительности, позволяя инженерам находить оптимальные решения в глобальном масштабе за долю времени.

Основные методы ИИ для оптимизации усилителя РФ

Несколько методологий ИИ доказали свою эффективность в ускорении и улучшении конструкции усилителя RF. Наиболее заметными являются контролируемое машинное обучение, искусственные нейронные сети (ANN), эволюционные алгоритмы (EA) и обучение с подкреплением (RL). Каждый подход приносит различные сильные стороны на разные этапы потока проектирования.

Надзорное машинное обучение: прогнозирование производительности по параметрам

В контролируемом обучении модель обучается на наборе данных ранее смоделированных или измеренных пар проектно-производительных характеристик. Например, функции ввода могут включать размер транзистора, напряжение смещения, значения компонентов сети и полосу частот. Выходами являются показатели производительности: коэффициент усиления, PAE, IP3 и показатель шума. После обучения модель может мгновенно предсказать, как будет работать новая комбинация параметров, заменяя длительное электромагнитное или схемное моделирование.

Общие используемые алгоритмы включают случайные леса, деревья с градиентным повышением (XGBoost, LightGBM) и регрессоры векторов поддержки. Однако, поскольку поведение усилителя RF является высоко нелинейным, глубокие нейронные сети (DNN) часто дают превосходную точность. Хорошо обученный DNN может приблизить полный ответ S-параметра или решение гармонического баланса к ошибке в несколько процентов, что позволяет быстрое суррогатное моделирование. Эта обученная модель затем может использоваться в цикле оптимизации - например, в сочетании с генетическим алгоритмом - для поиска оптимальных конструкций без использования полного симулятора каждый раз. Исследование 2022 года показало, что суррогат на основе DNN оптимизировал усилитель мощности GaN за 15 минут, тогда как традиционные методы моделирования требовали более 20 часов вычислительного времени.

Нейронные сети для нелинейного моделирования поведения

Помимо суррогатных моделей, нейронные сети непосредственно изучают нелинейные характеристики транзисторов, необходимые для точной конструкции усилителя RF. Модели на основе физики (например, модели Ангелова или Чалмерса) требуют обширного извлечения параметров из измеренных данных, процесса, который может быть подвержен ошибкам и технологически зависимым. Поведенческие модели на основе нейронных сетей - обученные на измеренных кривых I-V и S-параметров - захватывают всю сложность современных транзисторов (включая эффекты памяти и зависимости от температуры) без явных физических уравнений.

Эти нейронные модели могут быть встроены непосредственно в симуляторы схем через пользовательские интерфейсы модели (например, Verilog-A или SDD Keysight). После вставки моделирование выполняется с использованием нейронной модели, которая является более быстрой и точной, чем аналитические компактные модели для устройств, работающих на миллиметровых частотах волн (выше 24 ГГц), где доминируют паразиты. Например, модель нейронной сети 28-нм CMOS транзистора, обученного измерениям нагрузки, может предсказать оптимальное сопротивление нагрузки для максимального PAE с отклонением менее 1 дБм - задача, которая в противном случае потребовала бы десятков дорогостоящих измерений нагрузки.

Генетические алгоритмы и эволюционная оптимизация

Генетические алгоритмы (GA) являются классом эволюционных вычислений, вдохновленных естественным отбором. В конструкции усилителя RF GA поддерживает популяцию проектов-кандидатов, каждый из которых кодируется как вектор параметров (например, значения компонентов, точки смещения). Благодаря операциям отбора, кроссовера и мутации GA эволюционирует популяцию в течение поколений в сторону более высокой пригодности - обычно взвешенная сумма целей усиления, эффективности и линейности.

GA преуспевают в изучении сложных, мультимодальных проектных пространств, где методы на основе градиента будут неэффективны. Они особенно ценны для оптимизации согласования сетей со многими компонентами (индукторы, конденсаторы, линии передачи), потому что пространство параметров является высокоразмерным и невыпуклым. Современные реализации объединяют GA с суррогатами нейронной сети, чтобы уменьшить количество дорогостоящих симуляций: GA предлагает проекты, нейронная сеть прогнозирует их производительность, и только самые перспективные кандидаты полностью моделируются или измеряются. Этот гибридный метод использовался для проектирования усилителей мощности Doherty для приложений базовых станций, достигая эффективности > 50% при выходе 6 дБ назад - результат, который ускользал от ручной настройки в той же команде.

Обучение с подкреплением: автономные дизайнерские агенты

Усиление обучения (RL) делает шаг вперед, управляемой ИИ, путем обучения агента предпринимать последовательные действия - например, регулируя значение одного компонента за другим - с целью максимизации совокупного вознаграждения (конечная производительность усилителя). Агент изучает политику путем проб и ошибок в моделируемой среде. Система глубокого обучения подкрепления Google успешно применяется для планирования микросхем, и исследователи теперь адаптируют RL к настройке схемы проектирования.

В RL-ориентированной оптимизации усилителя RF состояние включает текущие параметры проектирования и результаты моделирования; действие является возмущением конкретного компонента; и вознаграждение является функцией улучшения производительности. В течение эпизодов агент учится эффективно ориентироваться в пространстве проектирования. Ранние результаты показывают, что RL может соответствовать или превышать настройку на уровне эксперта человека на несколько порядков быстрее. В документе 2023 года сообщалось, что RL-агент, обученный 10-параметровой конструкции усилителя GaN, конвергировался с решением с 0,5 дБ лучшей выходной мощностью и на 3% выше PAE, чем вручную оптимизированный бенчмарк, используя только 200 вызовов моделирования по сравнению с 2000 для ручной итеративной настройки.

Практическое развертывание: интеграция ИИ в рабочий процесс проектирования РФ

Принятие ИИ для оптимизации усилителя RF не является предложением «все или ничего». Инженеры могут внедрять ИИ в различных точках существующей цепочки инструментов. Наиболее распространенными путями интеграции являются:

  1. Предварительная оценка: Используйте обученную модель машинного обучения для быстрой оценки достижимых спецификаций (прибыль, выходная мощность, эффективность) для данного транзистора и полосы частот, помогая инженерам устанавливать реалистичные цели перед подробным моделированием.
  2. Суррогатная оптимизация: Заменить десятки симуляций, запустив суррогат нейронной сети внутри оптимизатора (например, генетический алгоритм). Суррогат обновляется новыми данными моделирования по мере продвижения поиска — метод, называемый активным обучением.
  3. Автоматизированное прогнозирование нагрузки: Модели нейронной сети, обученные на данных нагрузки, могут предсказать оптимальный источник и сопротивление нагрузки для транзистора без выполнения полной экспериментальной проверки нагрузки, экономя часы времени измерения.
  4. Цифровой двойник и настройка в цепи: Модель ИИ, обученная как смоделированным, так и измеренным данным, может выступать в качестве цифрового двойника физического усилителя, позволяя оптимизатору предлагать настройки настройки в реальном времени (например, настройки цифрового потенциометра) во время заводской калибровки.

Каждая точка интеграции уменьшает количество дорогостоящих симуляций или измерений. Типичный сценарий принятия может начаться с использования случайного леса для оценки осуществимости, а затем перейти к полному нейросетевому оптимизатору ГА для окончательного проектирования.

Тематические исследования: ИИ в действии для проектирования усилителей РФ

Случай 1: Усилитель мощности GaN для базовых станций 5G

Команда в крупной полупроводниковой компании использовала глубокую нейронную сеть в качестве суррогата для оптимизации 2-ступенчатого усилителя мощности GaN для полосы 3,4-3,8 ГГц 5G. Они обучили DNN 10 000 симуляционных заездов (каждый за 2 часа) от ко-симуляции EM-схемы. DNN достиг ошибки прогнозирования менее 2% для PAE и усиления. Используя этот суррогат, генетический алгоритм исследовал 500 000 кандидатов в проектирование за 30 минут, идентифицируя тот, который обеспечил выходную мощность 41 дБм с 55% PAE и 32 дБ усиление. Окончательный дизайн соответствовал прогнозу DNN в течение 1 дБ на измеренную выходную мощность. Общее время проектирования сократилось с 6 недель до 4 дней.

Случай 2: Миллиметровая волна CMOS PA с обучением с подкреплением

Исследователи из университета применили глубокое обучение усилению для проектирования усилителя мощности CMOS 28 ГГц для мобильных устройств. Государственное пространство включало 15 параметров проектирования (ширина транзистора, напряжения смещения, соответствующие сетевые индукторы и конденсаторы). Агент RL использовал вариант Q-обучения с политикой нейронной сети. После 300 эпизодов (каждый из которых выполнял моделирование схемы), агент нашел дизайн, достигающий 20% PAE при выходной мощности 14,5 дБм с −30 дБк EVM — превосходящий вручную оптимизированный базовый уровень, который занял три недели у опытного инженера. Окончательный дизайн агента также обнаружил нетрадиционную топологию соответствия, которая не рассматривалась в ручной работе.

Проблемы и ограничения ИИ-управляемого дизайна РФ

Несмотря на свои обещания, интеграция ИИ в проектирование усилителей RF сталкивается с реальными препятствиями. Нехватка данных является основной проблемой: для обучения точным моделям требуются тысячи высококачественных образцов моделирования или измерений, которые дорого генерировать. Небольшие наборы данных приводят к переоборудованию и плохому обобщению в новых пространствах проектирования. Обучение передаче - где модель, обученная на одной частотной полосе, настроена на другую - является активной областью исследований, но еще не является обычно надежной.

Инженеры часто должны понимать, почему проектирование работает — какой компонент имеет решающее значение для линейности, например. Нейронные сети являются черными ящиками, что затрудняет получение физического понимания. Гибридные подходы, которые сочетают ИИ с символической регрессией или нейронными сетями, основанными на физике, направлены на создание интерпретируемых моделей, но они все еще зарождаются.

Кроме того, оптимизированные для ИИ конструкции могут толкать компоненты в поля, которые не были включены в распределение обучения, что приводит к обрывам производительности. Например, генетический алгоритм может предложить значение для конденсатора, который не доступен в качестве стандартного компонента, или который вызывает нестабильность за пределами узких условий моделирования. Проверка надежности и включение производственных допусков являются важными, но не всегда включены в петли оптимизации ИИ.

Наконец, стоимость интеграции — как в лицензиях на программное обеспечение для наборов инструментов ИИ, так и в учебном времени для моделей — может быть нетривиальной. Многие проектные команды не имеют собственного опыта в области науки о данных для развертывания и обслуживания моделей ИИ наряду с традиционными инструментами моделирования радиочастот.

Будущие направления: куда направляются ИИ и RF-дизайн

В ближайшие несколько лет, вероятно, появятся системы искусственного интеллекта с замкнутым циклом, которые сочетают моделирование, измерение и реоптимизацию в режиме реального времени. Например, роботизированная зондная станция может измерять усилитель прототипа, подавать данные в модель искусственного интеллекта и регулировать сопротивление нагрузки через тюнер - все за минуты, а не дни. Эта концепция, уже продемонстрированная в академических кругах, указывает на «самооптимизацию» передних концов радиочастотной связи, которые настраиваются на изменяющиеся условия работы.

Еще одним перспективным направлением являются нейронные сети, основанные на физике (PINN), которые встраивают электромагнитные или схемные уравнения в функцию потерь сети. PINN требуют меньше данных обучения, потому что они используют известную физику, производя модели, которые более надежно экстраполируют. Для проектирования усилителя RF PINN можно было бы обучать, используя только S-параметры устройства от частичного развертки и все еще предсказывать полную гармоническую производительность с высокой точностью.

Кроме того, генеративный ИИ (например, вариационные автокодировщики или генеративные состязательные сети) может предложить совершенно новые топологии усилителей, а не оптимизировать в рамках фиксированной топологии. Ранние работы по генеративному дизайну микроволновых фильтров предполагают, что подобные методы могут дать новые архитектуры усилителей, которые люди могут не зачать.

Наконец, растущая доступность наборов данных с открытым исходным кодом (таких как библиотеки примеров Keysight ADS и набор данных общедоступного усилителя RF на GitHub) ускорит исследования и разработку моделей. По мере того, как все больше данных становится общедоступными, модели машинного обучения для оптимизации RF могут стать более общими и надежными.

Начало работы: практические шаги для дизайнерских команд

Для инженерных команд, рассматривающих интеграцию ИИ, рекомендуется поэтапный подход. Начните с выявления конкретного узкого места — например, оптимизации нагрузки для нового транзистора. Соберите набор данных из по меньшей мере 500 точек моделирования или измерения, охватывающих соответствующий диапазон параметров. Обучите простую модель (случайный лес или неглубокая нейронная сеть) и сравните ее прогнозы с результатами моделирования. Если точность превышает 90% (например, в пределах 1 дБ для получения прибыли), используйте модель для руководства дальнейшими вариациями дизайна.

Далее, интегрируйте модель в оптимизатор. Многие коммерческие инструменты моделирования RF теперь включают плагины оптимизации на основе AI — Среда проектирования микроволновой печи Cadence и NI AWR-программное обеспечение предлагают встроенные модули суррогатного моделирования и генетических алгоритмов. Экспериментируйте с ними, чтобы увидеть, как ИИ сокращает циклы итерации. Параллельно инвестируйте в повышение квалификации: член команды с знаниями как RF, так и машинного обучения. Учебные ресурсы Analog Devices и вебинары IEEE MTT-S обеспечивают хорошие отправные точки.

Наконец, проверьте проекты, созданные ИИ, с тщательным моделированием и измерением, особенно для стабильности и терпимости к производству. Относитесь к ИИ как к мощному помощнику, который исследует пространство дизайна, но всегда проверяется с помощью лучших доступных моделей на основе физики.

Заключение

Искусственный интеллект не заменяет инженеров-RF — он оснащает их инструментами для более умной и быстрой работы. Машинное обучение, нейронные сети и эволюционные алгоритмы превращают утомительную, итеративную задачу оптимизации усилителя РФ в управляемый данными автоматизированный процесс, который может исследовать обширные пространства проектирования за часы, а не недели. Преимущества — улучшенная производительность, более короткие циклы разработки, более низкие затраты и способность решать более амбициозные спецификации — уже реализуются на базовых станциях 5G, спутниковой связи и мобильных устройствах миллиметровой волны. В то время как проблемы доступности данных, интерпретируемости и интеграции остаются, траектория ясна: ИИ станет неотъемлемой частью инструментария разработчика РФ. По мере созревания моделей и роста наборов данных граница между ручным опытом и алгоритмическим исследованием будет размываться, открывая новую эру высокопроизводительных, эффективно спроектированных систем связи.