編輯丨&
在過去的二十年裡，射頻、毫米波和亞太赫茲積體電路和系統取得了巨大進步，展示了複雜的相控陣和多輸入、多輸出 （MIMO） 陣列與晶片級系統。
全新智慧功能的設計與達成離不開晶片的設計，這其中又包含一系列複雜的設計流程。這些流程構成了構成了整合有源電路元件和無源電磁 （EM） 結構的協同設計和最佳化。
這些過程彼此不同，因其不同的預選模式與規則的幾何形狀。更依賴於直覺，這些設計方法具有一組有限引數，透過耗時費力的方法進行掃描或啟發式學習等進行最佳化。
這類設計空間的複雜性使得窮舉最佳化站不住腳。所以，來自美國普林斯頓大學與印度理工學院的聯合團隊展示了一種通用的逆向設計方法，用於具有設計輻射和散射特性的任意形狀複雜多埠電磁結構，與有源電路共同設計。
他們的研究結果以「Deep-learning enabled generalized inverse design of multi-port radio-frequency and sub-terahertz passives and integrated circuits」為題，於 2024 年 12 月 30 日刊登於《Nature Communications》。
基於深度學習的模型，透過複雜毫米波無源結構和端到端整合毫米波寬頻電路的幾個示例來演示，所提出的逆向設計方法可在幾分鐘內生成設計，在開闢一個新的、以前無法進入的設計空間方面產生變革性成果。
全新方法的介紹
對於現有的高頻電路設計問題，還沒有太好的通用合成辦法。具有固定模板、手工設計和臨時引數掃描的自下而上的迭代設計方法有幾個限制。
目前來看，尚不清楚縮小的設計與權衡空間裡，在效率、緊湊性、光譜範圍覆蓋範圍或其他效能引數方面是否接近最佳。由於與儲能元件相關的損耗，這些設計的結構中的大多數通常都遠離基本極限。因此，團隊設想，在傳統幾何佈局之外的設計空間裡可能會產生更加顯著的改進結果。
在這裡，他們提出了一種在幾分鐘內合成任意形狀的平面多埠 RF/sub-THz EM 結構的通用方法，基於深度學習的正演建模使搜尋這種廣泛大型設計空間的方法成為可能。
當與電路共同設計時，這可以為端到端 RF/sub-THz IC 的自動綜合開闢一條道路，有可能實現超出最先進的基於模板的電路能力的效能。
在光子學領域，逆向設計的器件大多是具有標準波導介面的無源結構，可透過定製的頻率響應實現特定功能。要實現最佳化的端到端設計流程，需要考慮有源無源器件的複雜阻抗、放大能力以及它們的相互作用。
團隊利用了一組基於深度學習的模型來準確預測任意平面 EM 結構的散射和輻射特性。這是邁向複雜 RF/sub-THz 電路的 AI 支援逆向設計方法的第一步，它將透過消除模板幾何形狀、設計人員體驗、試錯和臨時最佳化方法的限制來開闢新的設計空間。
深度學習與逆向設計
這是邁向複雜 RF/sub-THz 電路的 AI 支援逆向設計方法的第一步，它將透過消除模板幾何形狀、設計人員體驗、試錯和臨時最佳化方法的限制來開闢新的設計空間。
透過啟發式演算法（如遺傳演算法 GA、模擬退火）或生成式 AI 工具來實現的模擬中，可以將預測模型與生成式 AI 框架或 RL 一起使用。從隨機結構開始，可以透過演化過程實現對候選解決方案的快速收斂。
AI 的超引數選擇對於確保最佳化迴圈的探索性策略至關重要。當前種群的最優值將會被直接轉移到下一代，以此來保證單調的成本進一步降低。
除了多埠電磁結構的逆向綜合，團隊還演示了初始結構如何演變為最終結構以接近所需的效能。在本次演示中可以觀察到，最初大多數人口是隨機分佈的，隨著世代的進化，結構向目標點移動，最終接近所需的效能。
與資料集中的樣本相比，逆向設計解決方案可以在通帶和阻帶要求之間提供更好的權衡，同時實現近乎完美的幅度和相位平衡。
此外，團隊還證明了，透過對不同的設計目標使用逆向設計，可以非常快速地攤銷訓練資料集生成的初始計算成本。
與傳統的基於 EM 模擬的元啟發式方法相比，卷積神經網路 CNN 輔助逆向設計可以將設計時間從幾周縮短到幾分鐘，從而顯著減少綜合時間和資源。
此外，一旦模型經過訓練，它就可以重新用於不同的設計目標，這與基於 EM 的最佳化形成鮮明對比，後者需要針對不同的目標組執行一組新的模擬。
圖示：深度學習支援的逆向設計與基於電磁模擬的啟發式最佳化之間的資源和設計時間比較。（圖源：論文）
顯而易見的是，逆向綜合方法使團隊能夠使用電路功能所需的定製散射引數來探索這類複雜結構。超越傳統的匹配網路，所提出的方法提供了對一類新型複雜多埠電磁結構的訪問。
結語
廣義的多埠逆向設計方法，可以捕獲輻射和非輻射行為，以及可以使用有源器件、不同激勵和邊界條件激發或利用的多個埠，對於利用任意幾何結構和電路的新設計空間至關重要。
此外，前向模型可以展示泛化和學習能力。遷移學習方法可以快速移植到不同的介電堆疊、邊界框大小或頻率範圍。
通用方法允許在許多設計電路中分攤模擬和訓練時間，同時不受特定狹窄設計集的限制。訓練完成後，綜合可在幾分鐘內達到目標規格。
團隊相信，這種方法不僅開闢了一個新的設計空間，具有以前無法實現的效能，而且還為快速和自動化地綜合複雜的 RF/sub-THz 電路和系統提供了一條途徑。
論文連結：https://www.nature.com/articles/s41467-024-54178-1