Rf Amplifier Design Optimizasyonunda Yapay Zeka Kullanımı

Yapay zeka (AI) temel olarak, mühendislerin elektronikte karmaşık optimizasyon problemlerini nasıl ele aldığını ve radyo frekansının (RF) yükselteçlerinin tasarımının istisna değildir. Bu kritik bileşenler, modern kablosuz iletişim altında - hücresel temel istasyonlardan ve Wi-Fi yönlendiricilerinden, bir RF amplifikasyonuna kadar, daha hızlı, daha genişleyen bir alternatifleri tahmin etmek için daha iyi tasarım ve gürültüyü incelemek için daha iyi bir şekilde analiz etmek için daha hızlı bir şekilde tasarlanmıştır.

Geleneksel RF Ampirasyon Tasarımı: Süreçler ve Ağrı Noktaları

AI konuşmaya girmeden önce, RF amplifikatörü tasarımı iyi kurulmuş bir iş akışı izledi. Mühendisler hedef özellikleri tanımlamakla başlıyor - frekans, çıkış gücü, lineerlik (endüstrik noktası olarak ifade edildi, IP3), verimlilik (güçlü verimlilik, PAE), ve kazanırlar.

Simülasyon binlerce numaraya ulaşabilir, mühendisler elle ayarlayıcı değerlerle - kapı genişliği, önyargı noktaları, eşleşen ağ kanallarını ve kapasitörler - hedef performansı vurmak için. Modern elektromanyetik (EM) simülatörü ile bile, her ayarlı bir yükselteçli yükseltilebilir.Bir platotyping ve ölçüm daha fazla iterasyon elde ettikten sonra.Bu geleneksel yaklaşım birkaç doğal dezavantaja sahiptir: Bu geleneksel yaklaşım birkaç tane daha var: Modern elektromanyetik (EM) simülatörü ile bile, her ayarlı yükseltilebilir bir yükseltilebilir.

Bu ağrı noktaları, otomatik, zeka odaklı optimizasyon teknikleri arayışına yol açtı. AI, tasarım parametreleri ve performans sonuçları arasındaki ilişkiyi hızla haritalayarak, mühendislerin zamanınızın bir kısmında küresel olarak en iyi çözümleri bulmalarına izin verdi.

RF Amplifier Optimizasyon için Core AI Teknikleri

Birkaç AI metodolojileri, RF amplifikatör tasarımının hızlandırılması ve geliştirilmesinde etkili olduğunu kanıtlamıştır.En belirgin olanı denetimli makine öğrenimi, yapay sinir ağları (ANNs), evrimsel algoritmaları (EAs), ve güçlendirme öğrenme (RL) her yaklaşım, tasarım akışının farklı aşamalarına farklı güçlü yönleri getirir.

Süperviz Makine Öğrenmesi: Parametrelerden Performansı Tahmin Etmek

Denetimli öğrenmede, daha önce simülasyonlanmış veya ölçümlenmiş bir tasarım setinde bir model eğitilmiştir - örneğin, giriş özellikleri transistör boyut, önyargılı gerilim, eşleştirme ağ bileşeni değerleri ve frekans bandı içerebilir. Çıktılar performans ölçümleridir: kazan, PAE, IP3 ve gürültü rakam.Bir kez eğitilmiş olarak, model, parametrelerin nasıl performans göstereceğini anında tahmin edebilir, bir zaman-konsuming elektromanyetik veya devre simülasyonunu değiştirebilir.

Yaygın algoritmaları rastgele ormanları, yüksek çözünürlükte bir şekilde genişletilebilir. (XGBoost, LightGBM), ve vektör regretörlerini destekler. Ancak, RF amplifikatör davranışı yüksek doğrusal olmayan, derin bir sinir ağları (DNNs) genellikle genetik bir algoritma ile bir araya gelir - her seferinde tam bir simülasyon çözümü uyumlu bir şekilde aramayı veya harmonik bir dengeyi bir şekilde test etmek için.Bu eğitimli model daha sonra bir optimizasyon döngüsü içinde kullanılabilir.

Nonlinear Davranışsal Modeling için Neural Networks

Gerçek RF amplifik tasarımı için lineer olmayan transistör özellikleri doğrudan öğrenilir. Fizik tabanlı modeller (örneğin, Angelov veya Chalmers modelleri), açık fiziksel denklemler olmadan geniş parametre ekstraksiyon gerektirir.

Bu sinir modelleri doğrudan devre simülatörüne milimetrelik dalgalar (örneğin, Verilog-A veya Keysight'ın SDD) bir kez eklenmiş, simülasyon, her ikisine de en iyi şekilde yüklenebilir ve en doğru 1 dBm dalgasında çalışan cihazlar için en az maliyetli modeller (above 24 GHz) için çalışır. Örneğin, bir nördüllü ağ modeli, yük-p ölçümler üzerinde eğitilmiş bir simülasyon.

Genetik Algoritmalar ve Evrimsel Optimizasyon

Genetik algoritmaları (GAs) doğal seçilimden ilham alan bir evrimsel hesaplama sınıfıdır. RF amplifikatör tasarımında, bir GA adayı tasarımlarının bir popülasyonunu korur, her bir parametre vektörü olarak kodlanır (örneğin, bağlantı noktaları, önyargı noktaları).

GAs karmaşık, çok yönlü tasarım alanları keşfeder, yüksek çözünürlükte yöntemler başarısız olur. Birçok bileşenle eşleşen ağların optimizasyonu için özellikle değerlidir (tanışörler, kapasitörler, iletim hatları) çünkü parametre alanı yüksek boyutlu ve non-convex. Modern uygulamalar GA'ları nöral ağ uygulamaları ile birleştirir: GA'nin tasarımlarını önerir, performanslarını tahmin eder ve sadece en umut verici adaylar tamamen simülasyonludur.Bu hibrit teknik, sabit güç yükselteçleri temel olarak tasarlanır.

Dondurma Öğrenme: Özerk Tasarım Agents

Bir başkasından sonra bir bileşen değerini ayarlaması (örneğin, bir miktar yükseltici bir ödül (final yükseltici performansı) bir politikayı test ederek ve hata yoluyla simülasyon yoluyla optimize etmek için bir adım daha alır.

Belirli bir bileşenden oluşan bir perturbasyon, tasarım alanını verimli bir şekilde yönlendirmek için kullanılan bir cihazdır; ve ödül, ölçümde çalışan bir çözüm için 0.5 dB daha iyi bir çıkış gücü ve 3% daha yüksek PAE ile bir araya gelmek için, sadece 200 tane daha manuel olarak optimize edilmiş bir şekilde ayarlandığından daha yüksek çözünürlükte bir çözüm için 10. paragrafın üzerinde eğitilmiş bir RL cihazı kullanarak bir çözüm için bir çözüm için bir araya gelir.

Pratik İşgücü: Yapay Tasarım İş Akışına Bütünleme

RF yükseltici optimizasyonu için AI'yı kabul etmek, tüm bir en-veya-nothing önerisi değildir. Mühendisler mevcut araç zincirlerinde çeşitli noktalarda AI'yı tanıtabilirler.

  1. [FONT:0)Öyle tasarım tahminleri:[Dönlendirme:[Dönlendirme:0)Eğitim tahminleri:[Dönlendirme)) Belirli bir transistör ve frekans grubu için, mühendislere yardımcı olmak için, belirli bir simülasyondan önce gerçekçi hedefler belirlemek için eğitilmiş bir makine öğrenme modelini kullanın.
  2. [FONT:0]Surrogate-assisted optimizasyon: Bir optimizasyon içinde bir sinir ağı tıkanıklığı çağırarak, genetik bir algoritma ile güncellenir.
  3. [FONT:0)Automated load-pull tahmin: Yük-pull verileri üzerinde eğitilmiş Neural ağ modelleri, tam deneysel yük-pull süpürülmeden en iyi kaynağı tahmin edebilir ve tam deneysel yük-pull süpürücü için engellenebilir, ölçüm süresini tasarruf edin.
  4. [FONT:0] Dijital ikiz ve en-cir ayar: Her iki simülasyonda eğitilmiş ve ölçümlenen bir veri, gerçek zamanlı ayar ayarlama ayarlamalarını önerebilmek için optimize etmek için optimize edilen dijital ikiz olarak hareket edebilir.

Her entegrasyon noktası pahalı simülasyonların veya ölçümlerin sayısını azaltır. Tipik bir kabul senaryosu, feazibiliteyi tahmin etmek için rastgele bir orman kullanmaya başlayabilir, sonra nihai tasarım için tam bir sinir ağı-assisted GA optimize cihazına ilerlemektedir.

Vaka Çalışmaları: RF Amplifier Design için AI

Vaka 1: GaN Power Amplifier for 5G Base Stations

Büyük yarı iletken bir şirkette bir ekip, EM-cirli bir eş-simülasyon ile ilgili derin bir sinir ağı kullandı ve bu ekin için 2-3.8 GHz 5G grubu için 2'den az bir hata elde etti.DNN'yi toplam 500 $ 'dan 30 dakika içinde inceledi.

Vaka 2: Millimeter-Wave CMOS PA Dondurma Öğrenmesi ile

Bir üniversitede araştırmacılar 28 GHz CMOS güçlendiricisini mobil cihazlar için tasarlamayı derin bir takviyele uyguladılar. Devlet alanı, 15 tasarım parametresi (transistor genişlikleri, önyargı gerilimleri, eşleme ağ endüktörler ve kapasitörler) ile bir Q-öğrenme aracı kullandı.

AI-Driven RF Tasarımının Zorlukları ve Sınırları

Sözcülüğe rağmen, RF amplifikatör tasarımına AI entegrasyonu gerçek engellerle karşı karşıyadır. Veri kıkırıklığı birincil bir konudur: eğitim doğru modeller binlerce yüksek kaliteli simülasyon veya ölçüm örneği gerektirir, bu da üretmek pahalıdır. Küçük veri setleri yeni tasarım alanlarına aşırı yükleme ve fakir genelleştirmeye yol açar.

Ayrıca yorumlanabilirlik. RF mühendisleri genellikle tasarım işlerinin neden kritik olduğunu anlamalıdır - örneğin, neural ağlar siyah kutular, AI'yı sembolik regresyon veya fizik bilgilendirici modelleri ile birleştiren fiziksel anlayış kazanmak zorlaşır, ancak bunlar hala çok daha da kötü.

Ayrıca, AIoptested tasarımları, eğitim dağıtımına dahil olmayan marjlara karışabilir, performans uçurumlarına yol açabilir. Örneğin, bir genetik algoritma standart bir bileşen olarak mevcut olmayan bir özellik için bir değer önerebilir veya bu da dar simülasyon koşullarındaki dengesizliğe neden olabilir.

Son olarak, entegrasyon maliyeti - hem AI araç kutuları için yazılım lisansları hem de modeller için eğitim zamanında - katkıda bulunmamış birçok tasarım ekibi, geleneksel RF simülasyon araçlarıyla birlikte AI modellerini dağıtma ve korumak için en-house veri bilim uzmanlığından yoksundur.

Future: AI ve RF Tasarımı Nerede Başlıyor

Önümüzdeki birkaç yıl muhtemelen simülasyonu, ölçüm ve yeniden yapılanmayı gerçek zamanlı olarak tekrarlayan kapalı AI sistemlerini görecek. Örneğin, bir robot prob istasyonu, verileri bir AI modeline göre ölçebilir ve yüklemeyi bir melodi ile ayarlar - tüm günler yerine, akademide, “kendiopting” RF cephesinde gösterilen noktaları, kendilerini işletim koşullarını değiştirmek için ölçebilir.

Başka bir umut verici yön fizik bilgilendirici sinir ağları (PINN)dir, bu da elektromanyetik veya devre denklemlerini ağ kaybı işlevine gömür. PINNs daha az eğitim verileri gerektirir, çünkü bilinen fizikten yararlanırlar, RF amplifikatörü tasarımı için, bir PINN sadece cihazın S-parametrelerini kısmi bir süpürücükten kullanarak eğitilebilir ve hala yüksek doğrulukla tam harmonik performansı tahmin ederler.

Ek olarak, jeneratif AI (örneğin, varyasyonel otoencoders veya jeneratif adversarial ağ) sabit topoloji içinde optimize etmek yerine tamamen yeni yükselteçleri önerebilir. Mikrodalga filtrelerin jeneratif tasarımı üzerinde erken çalışma, benzer yöntemlerin tasarlayabilmeyebileceğini gösteriyor.

Son olarak, açık kaynak RF veri setlerinin artan kullanılabilirliği (örneğin, HES:0)Keysight ADS[DÜT:1) örneğin kütüphaneler ve [[Ücretsiz RF amplifikatörü tasarımı veri kümesi GitHub) üzerinde hızlanacak. Daha genel olarak erişilebilir hale gelirken, RF optimizasyonu için makine öğrenimi modelleri daha genel ve sağlam hale gelebilir.

Başlayın: Design Teams için Pratik Adımlar

AI entegrasyonunu göz önünde bulundurarak, belirli bir şişenck tespit ederek bir aşama yaklaşımı önerilir - örneğin, yeni bir transistör için yük-pull optimizasyonu.En az 500 simülasyon veya ölçüm noktası, ilgili parametre aralığına kılavuzluk etmek için modeli kullanın. Tren basit bir model (günlük ormanı veya sığ bir sinir ağı) ve tahminlerini %90'ı aşarak karşılaştırır.

Sonraki, modeli optimize eden bir yazılım haline entegre edin. Birçok ticari RF simülasyon araçları şimdi AI tabanlı optimizasyonlar içerir - 03.Cadence'ın mikrodalga tasarım ortamı) ve [[Dönetici:2) AWR yazılımı) şu anda inşa edilmiş bir model ve genetik algoritma modülleri sunuyor.AlbertT:0) Deneyi AI'nın nasıl azaltıldığını görmek için.

Son olarak, AI'yı kapsamlı bir simülasyon ve ölçüm ile gerçekleştirilmiş tasarımları doğrulayın, özellikle de istikrar ve üretim toleransı için AI'yı tasarım alanını keşfedecek güçlü bir asistan olarak ele alın, ancak mevcut en iyi fizik tabanlı modeller ile her zaman doğrulayın.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Yapay zeka RF mühendislerini değiştirmez - onları daha akıllı ve daha hızlı çalışmak için araçlarla donatıyor. Makine öğrenme, sinir ağları ve evrimsel algoritmaların yönlendirilmesi, RF amplifikatör optimizasyonunun sabit bir şekilde, veri erişilebilirliği, otomatik olarak zorlanabilirlik, daha iyi bir şekilde değerlendirilmesi, daha düşük maliyet ve daha hırslı algoritmaların çözümü için tasarım alanlarının bir parçası haline getirebilme yeteneği - 5G baz istasyonlarında zaten fark edilir.