AI是如何设计微波集成电路的AI能学会设计集成电路，靠的是一个“基于聚类和异步的优势行动者评论家算法模型”。文章介绍道，该模型包含两部分——聚类算法和强化学习神经网络模型。其中，聚类算法用来对网格化的集成电路的设计动作进行划分，即将集成电路的多个设计动作聚成几个典型的动作类，类似于经验丰富的集成电路模型设计师对模型的参数化设置；强化学习模型则基于聚类算法划分的典型动作簇作为策略网络输出的动作类别，预测当前集成电路模型的设计动作，然后再由价值网络评估该设计动作的好坏，以找出最优策略，从而达到自动设计微波集成电路的技术功效。
“我们设计了一个称为关系归纳神经网络的架构，它可以快速有效地学习集成电路内部数据之间的规律，从而达到设计任意复杂集成电路的目的。”研究人员表示，在其方案中，集成电路形状被定义为一组参数化网格，当每个网格发生变化时，由标准的CAE软件包计算出结果，然后使用聚类算法对这些结果的变化进行分类，最后交由强化学习神经网络进行决策。
图1 | RINN架构。a, 聚类算法的数据集，即网格模型的S参数变化矩阵。B，聚类算法。C、网格化的模型和S参数矩阵训练深度强化学习模型。d，以c为输入，以动作的概率向量π和价值标量v为输出的深度强化学习模型。
基于关系归纳神经网络的微波集成电路模型设计框架如图1所示，其包含两部分：聚类算法（图1b）和强化学习神经网络模型（图1d）。在本框架中，聚类算法用来对网格化的集成电路的设计动作进行划分，即对集成电路的多个设计动作聚成几个典型的动作类，类似于经验丰富的集成电路模型设计师对模型的参数化设置；强化学习模型(采用A3C算法)基于聚类算法划分的典型动作簇作为策略网络输出的动作类别，预测当前集成电路模型的设计动作，然后再由价值网络评估该设计动作的好坏，以找出最优策略，从而达到自动设计微波集成电路的技术功效。
基于AI设计滤波器、天线案例分析论文中针对微波传输线电路、滤波器电路、天线电路自动设计的不同方面进行的几项综合研究已经最得成功，下面我们来一起看看论文中的2个研究案例。
1.基于RINN]为了考验RINN 执行滤波器设计的能力，研究者考虑了四种滤波器设计任务，其中心频率分别是9.3GHz、11.5GHz、7.55GHz 和6.95GHz，但是第四个滤波器的长度和宽度限制在5mm*5mm。具体设计任务见表1，具体设计方案见图2。
表1四种滤波器设计任务
图2 | 滤波器的聚类 可视化结果。a）滤波器模型。b-d）设计好的滤波器模型的表面电流密度分布、电场分布和磁场分布。e）网状模型（meshed model）。f-j）设计好的滤波器上的典型动作集群（action cluster）可视化结果。k-o）典型动作集群的可微S_11 曲线。 智能体从零开始学习如何在不知道设计规则的前提下设计MWIC]第二项任务和第三项任务的智能体首先学会调整谐振器的长度，以达到移动中心频率的目的，然后调整谐振器之间的耦合系数，以减少通带回波损耗，增加插入损耗，其设计过程如图3（d-i）所示。
图3 | 基于RINN 架构的滤波器设计流程。a-c）第一个任务的优化滤波器模型，及其回波损耗（S_11）和插入损耗（S_21）变化图。d-f）、g-i）、j-l）分别是第二、三、四个任务的优化滤波器模型、回波损耗（S_11）变化图和插入损耗（S_21）变化图。m）四个任务的学习曲线。智能体的学习速度与设计任务的复杂度相关，设计任务越复杂，智能体的学习速度越慢。
2.基于RINN]为了进一步证明RINN 架构的设计能力，研究人员尝试用它来设计天线。如图4、图5 所示，RINN 训练的智能体在没有任何人类知识的情况下成功地捕捉了天线的主要特征，并学会了在设计天线时执行一系列的正确动作，这些动作能简洁地表达引起他们观察的因果关系。智能体基于学习的策略成功地设计出了三种不同频率的天线模型。从设计天线的过程中，可以看到辐射贴片主要影响中心频率，而馈线主要影响输入阻抗。这些结果都与矩形贴片天线的理论以及电磁场分布一致。
图4 | 天线的聚类可视化结果。a，天线模型。b，表面电流密度分布。c，磁场分布。d，电场分布。e，Meshed模型。f-j，网格顶点聚类的可视化结果。
图5 | a-c）三种天线模型，其中心频率分别为8.5GHz、6.15GHz 和7.35GHz，由智能体设计。d-f）观察智能体根据回波损耗曲线（S11）的变化设计天线的过程。g）所有天线的增益模式。h）三种天线模型的学习曲线。
AI与人类专业工程师设计对比通过对人类工程师设计的集成电路模型与AI设计的集成电路模型的对比，在9.1GHz]
图6]这项研究首次展示使用深度强化学习方法（不依赖人类经验）训练智能体来探索MWIC 设计，填补了这方面的空白。通过训练或学习，自动归纳微波集成电路内部结构之间的关系。值得注意的是，智能体自行归纳和总结的规律在电路的结构原理和电磁场原理等方面是可解释的。研究工作跨越了人工智能和集成电路之间的鸿沟，未来还可用于训练其它领域的智能体（如机械波、力学和其他），为未来的自动化设计指明了方向。
举报
