本發(fā)明屬于射頻無源器件領(lǐng)域，特別是涉及一種機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法。

背景技術(shù)：

1、片上無源變壓器是射頻設(shè)計(jì)中的重要元器件，可以在射頻集成電路中實(shí)現(xiàn)阻抗匹配、信號耦合、功率傳輸、直流隔離等功能，它對于減小元件數(shù)目和芯片面積有著重要作用。片上螺旋變壓器由兩個螺旋電感耦合而成，通常由多個幾何參數(shù)定義，而成千上萬種幾何參數(shù)的組合中只有少部分能同時滿足設(shè)計(jì)規(guī)范和設(shè)計(jì)指標(biāo)，因此根據(jù)指標(biāo)推得變壓器的幾何參數(shù)困難重重，這種與建模工作相反的過程被稱為綜合問題。片上螺旋變壓器的綜合一直是無源器件設(shè)計(jì)中的一個重大挑戰(zhàn)，實(shí)現(xiàn)片上變壓器的自動綜合也是射頻集成電路自動化設(shè)計(jì)的關(guān)鍵。

2、隨著機(jī)器學(xué)習(xí)技術(shù)的不斷發(fā)展，代理模型輔助方法似乎是解決上述困難最合適的方案。其主要思想是通過快速代理模型來代替昂貴的全波電磁仿真模型，該模型允許使用基于種群的元啟發(fā)式算法以較低的計(jì)算成本識別帕累托集。在高維、小樣本的前提下達(dá)到優(yōu)化目標(biāo)是一個復(fù)雜且迫切需要解決的問題，尋找快速有效的智能綜合算法對變壓器乃至射頻集成電路的設(shè)計(jì)和性能至關(guān)重要。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：針對現(xiàn)有技術(shù)中存在的問題和不足，本發(fā)明提供一種機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，降低變壓器綜合的計(jì)算成本，提高優(yōu)化速度。

2、技術(shù)方案：為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案：一種機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，包括如下步驟：

3、步驟1：設(shè)置片上變壓器電性能參數(shù)目標(biāo)和變壓器結(jié)構(gòu)參數(shù)約束，設(shè)置相關(guān)的工藝約束；

4、步驟2：使用逆向人工神經(jīng)網(wǎng)絡(luò)(artificial?neural?network,ann)根據(jù)變壓器點(diǎn)性能參數(shù)目標(biāo)預(yù)測得到一組結(jié)構(gòu)參數(shù)作為初始解；

5、步驟3：對結(jié)構(gòu)參數(shù)進(jìn)行隨機(jī)采樣，再在初始解周圍采樣得到結(jié)構(gòu)參數(shù)，，并通過全波電磁仿真收集初始樣本；

6、步驟4：將樣本全波仿真數(shù)據(jù)壓縮變換，降低樣本維度；

7、步驟5：訓(xùn)練高斯過程回歸(gaussian?process?regression,gpr)代理模型，學(xué)習(xí)樣本集中變壓器結(jié)構(gòu)參數(shù)和性能參數(shù)的映射關(guān)系，代替?zhèn)鹘y(tǒng)的等效電路模型和成本高昂的全波電磁仿真；

8、步驟6：采用基于種群的元啟發(fā)式算法進(jìn)行全局優(yōu)化，逆向人工神經(jīng)網(wǎng)絡(luò)初始解約束優(yōu)化范圍，優(yōu)化得到一組變壓器結(jié)構(gòu)參數(shù)；

9、步驟7：全波仿真驗(yàn)證，對步驟6得到的結(jié)構(gòu)參數(shù)進(jìn)行全波仿真驗(yàn)證，如果滿足設(shè)計(jì)目標(biāo)則輸出最優(yōu)結(jié)構(gòu)參數(shù)和/或版圖，不滿足將仿真結(jié)果加入到樣本集中，重復(fù)步驟5至步驟7直到滿足迭代停止條件。

10、進(jìn)一步地，所述步驟1中，變壓器電性能參數(shù)包括初次級線圈感值、品質(zhì)因數(shù)、耦合系數(shù)、最大可用增益、插入損耗、工作頻率、最小自諧振頻率、輸入阻抗和優(yōu)化帶寬中的部分組合。結(jié)構(gòu)參數(shù)包括最大線寬、最小線寬、最大線距、最小線距、最大內(nèi)徑、最小內(nèi)徑、最大線圈匝數(shù)、最小線圈匝數(shù)和最大面積。

11、進(jìn)一步地，所述步驟2中，使用人工神經(jīng)網(wǎng)絡(luò)建立逆向模型，學(xué)習(xí)性能參數(shù)和結(jié)構(gòu)參數(shù)之間的映射關(guān)系，再根據(jù)變壓器綜合的性能參數(shù)目標(biāo)預(yù)測得到一組結(jié)構(gòu)參數(shù)作為初始解。所述逆向模型引入片上變壓器的先驗(yàn)知識降低模型維度，對于寬帶優(yōu)化感值通過頻帶內(nèi)較為重要的頻點(diǎn)來替代所有頻點(diǎn)，或者訓(xùn)練模型時間隔選擇頻點(diǎn)；對于完全對稱的變壓器結(jié)構(gòu)只選擇初級或次級一個線圈的性能參數(shù)進(jìn)行觀測，輸入阻抗只關(guān)注工作帶寬內(nèi)部分；最小自諧振頻率通過品質(zhì)因數(shù)正負(fù)來判定；所述逆向模型通過增加輸入?yún)?shù)特征解決一對多問題，在輸入中引入輔助約束來限制輸出值的求解范圍。

12、進(jìn)一步地，所述步驟2中，所述逆向模型輸入性能參數(shù)包括初次級線圈電感，品質(zhì)因數(shù)，耦合系數(shù)和最大可用增益等性能參數(shù)，輸出結(jié)構(gòu)參數(shù)為線寬，線距，內(nèi)徑和初次級線圈匝數(shù)。

13、進(jìn)一步地，所述步驟3中，首先采用拉丁超立方抽樣(latin?hypercube?sampling，lhs)隨機(jī)采樣得到變壓器結(jié)構(gòu)參數(shù)，再在初始解周圍上下浮動一定比例值的空間內(nèi)得到變壓器結(jié)構(gòu)參數(shù)，然后加入先驗(yàn)知識進(jìn)行預(yù)篩選，清洗掉一部分不滿足變壓器建模要求的參數(shù)，同時隨機(jī)采樣也使得樣本盡可能地覆蓋設(shè)計(jì)空間。

14、進(jìn)一步地，所述步驟4中，面對寬頻帶變壓器設(shè)計(jì)問題，由于頻點(diǎn)較多，直接建立代理模型會使數(shù)據(jù)計(jì)算量成指數(shù)型增長，大幅增加優(yōu)化時間甚至無法接受，遂使用離散余弦變換進(jìn)行數(shù)據(jù)壓縮以降低代理模型計(jì)算量并確保其準(zhǔn)確度。

15、進(jìn)一步地，所述步驟5中，通過選擇matern3/2核函數(shù)和適應(yīng)度函數(shù)來提高gpr代理模型的學(xué)習(xí)效果和預(yù)測準(zhǔn)確度；針對片上變壓器綜合問題有多個敏感性較高的輸入?yún)?shù)的情況，單目標(biāo)的gpr代理模型有更高的準(zhǔn)確度并減小計(jì)算量，因此對每個性能參數(shù)分別建模。

16、進(jìn)一步地，所述步驟6中，采用遺傳算法進(jìn)行全局優(yōu)化，使用不同置信下限(lowerconfidence?bound,lcb)常數(shù)帶來的多路徑優(yōu)化增強(qiáng)算法的收斂性和探索性。

17、進(jìn)一步地，所述步驟6中，使用數(shù)據(jù)預(yù)篩分技術(shù)對適應(yīng)度函數(shù)進(jìn)行修正，使得優(yōu)化算法在可能出現(xiàn)最優(yōu)解的區(qū)域增加樣本點(diǎn)，避免陷入局部最優(yōu)。同時使用多個隨機(jī)生成的lcb值進(jìn)行多路徑優(yōu)化，在不增加算法復(fù)雜度的前提下增強(qiáng)遺傳算法的探索性。lcb判斷新個體好壞程度的標(biāo)準(zhǔn)為：

18、ylcb＝y(tǒng)(x)-ws(x)

19、其中，y(x)是gpr代理模型計(jì)算得到的結(jié)構(gòu)參數(shù)x對應(yīng)的函數(shù)值，s(x)是由gpr代理模型得到的預(yù)測標(biāo)準(zhǔn)差，w是衡量算法探索能力的lcb值。

20、本發(fā)明還提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序/指令，所述計(jì)算機(jī)程序/指令被處理器執(zhí)行時實(shí)現(xiàn)所述的機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法的步驟。

21、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明提供的機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，具有如下優(yōu)點(diǎn)：

22、(1)本發(fā)明僅需變壓器的電性能參數(shù)目標(biāo)和結(jié)構(gòu)參數(shù)約束，即可實(shí)現(xiàn)片上變壓器的自動綜合設(shè)計(jì)，極大提高了射頻電路設(shè)計(jì)人員的工作效率；

23、(2)本發(fā)明建立了逆向人工神經(jīng)網(wǎng)絡(luò)，可以快速預(yù)測得到一組初始解，極大地提高了設(shè)計(jì)效率和樣本的重復(fù)利用率，節(jié)省了計(jì)算資源；

24、(3)本發(fā)明通過建立gpr代理模型代替?zhèn)鹘y(tǒng)的等效電路模型和昂貴的全波電磁仿真，降低了計(jì)算成本和時間；

25、(4)本發(fā)明結(jié)合先驗(yàn)知識和數(shù)據(jù)壓縮訓(xùn)練gpr模型，使得模型的預(yù)測準(zhǔn)確度和速度提升，節(jié)省了時間成本；

26、(5)本發(fā)明采用隨機(jī)生成的多個lcb值進(jìn)行多路徑優(yōu)化，相較于傳統(tǒng)的固定lcb值的方法，每輪迭代都重新隨機(jī)生成大大提高了算法的探索性，以避免陷入局部最優(yōu)；

27、(6)本發(fā)明采用逆向網(wǎng)絡(luò)和正向優(yōu)化相結(jié)合的算法，在保證準(zhǔn)確度的同時具有更低的計(jì)算成本和更高的優(yōu)化速度，推動了片上無源器件設(shè)計(jì)的自動化和智能化。

技術(shù)特征：

1.一種機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，其特征在于，所述步驟1中，變壓器電性能參數(shù)包括初次級線圈感值、品質(zhì)因數(shù)、耦合系數(shù)、最大可用增益、插入損耗、工作頻率、最小自諧振頻率、輸入阻抗和優(yōu)化帶寬中的部分組合；結(jié)構(gòu)參數(shù)包括最大線寬、最小線寬、最大線距、最小線距、最大內(nèi)徑、最小內(nèi)徑、最大線圈匝數(shù)、最小線圈匝數(shù)和最大面積。

3.根據(jù)權(quán)利要求1所述的機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，其特征在于，所述步驟2中，使用人工神經(jīng)網(wǎng)絡(luò)建立逆向模型，學(xué)習(xí)性能參數(shù)和結(jié)構(gòu)參數(shù)之間的映射關(guān)系，所述逆向模型引入片上變壓器的先驗(yàn)知識降低模型維度，對于寬帶優(yōu)化感值通過頻帶內(nèi)較為重要的頻點(diǎn)來替代所有頻點(diǎn)，或者訓(xùn)練模型時間隔選擇頻點(diǎn)；對于完全對稱的變壓器結(jié)構(gòu)只選擇初級或次級一個線圈的性能參數(shù)進(jìn)行觀測，輸入阻抗只關(guān)注工作帶寬內(nèi)部分；最小自諧振頻率通過品質(zhì)因數(shù)正負(fù)來判定；所述逆向模型通過增加輸入?yún)?shù)特征解決一對多問題，在輸入中引入輔助約束來限制輸出值的求解范圍。

4.根據(jù)權(quán)利要求3所述的機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，其特征在于，所述步驟2中，所述逆向模型輸入性能參數(shù)包括初次級線圈電感，品質(zhì)因數(shù)，耦合系數(shù)和最大可用增益，輸出結(jié)構(gòu)參數(shù)為線寬，線距，內(nèi)徑和初次級線圈匝數(shù)。

5.根據(jù)權(quán)利要求1所述的機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，其特征在于，所述步驟3中，首先采用拉丁超立方隨機(jī)采樣得到變壓器結(jié)構(gòu)參數(shù)，再在初始解周圍浮動一定比例值的空間內(nèi)隨機(jī)采樣得到變壓器結(jié)構(gòu)參數(shù)，然后加入先驗(yàn)知識進(jìn)行預(yù)篩選，清洗掉一部分不滿足變壓器建模要求的參數(shù)。

6.根據(jù)權(quán)利要求1所述的機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，其特征在于，所述步驟4中，使用離散余弦變換進(jìn)行數(shù)據(jù)壓縮。

7.根據(jù)權(quán)利要求1所述的機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，其特征在于，所述步驟5中，gpr代理模型選擇matern3/2核函數(shù)，對每個性能參數(shù)分別建模單目標(biāo)的gpr代理模型。

8.根據(jù)權(quán)利要求1所述的機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，其特征在于，所述步驟6中，采用遺傳算法進(jìn)行全局優(yōu)化，使用不同置信下限lcb常數(shù)帶來的多路徑優(yōu)化增強(qiáng)算法的收斂性和探索性。

9.根據(jù)權(quán)利要求1所述的機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，其特征在于，所述步驟6中，使用數(shù)據(jù)預(yù)篩分技術(shù)對適應(yīng)度函數(shù)進(jìn)行修正，使得優(yōu)化算法在可能出現(xiàn)最優(yōu)解的區(qū)域增加樣本點(diǎn)，避免陷入局部最優(yōu)；同時使用多個隨機(jī)生成的lcb值進(jìn)行多路徑優(yōu)化，lcb判斷新個體好壞程度的標(biāo)準(zhǔn)為：

10.一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序/指令，其特征在于，所述計(jì)算機(jī)程序/指令被處理器執(zhí)行時實(shí)現(xiàn)根據(jù)權(quán)利要求1-9任一項(xiàng)所述的機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了一種機(jī)器學(xué)習(xí)輔助的片上變壓器自動綜合方法，首先設(shè)定片上變壓器電參數(shù)目標(biāo)和工藝約束；使用逆向人工神經(jīng)網(wǎng)絡(luò)快速預(yù)測得到一組結(jié)構(gòu)參數(shù)作為初始解；接著對結(jié)構(gòu)參數(shù)進(jìn)行隨機(jī)采樣，其中一部分樣本空間為初始解周圍浮動得到，并進(jìn)行全波電磁仿真獲取樣本；將樣本全波仿真數(shù)據(jù)進(jìn)行壓縮，進(jìn)而引入片上變壓器先驗(yàn)知識訓(xùn)練GPR代理模型，使得模型的維度降低且預(yù)測準(zhǔn)確度更高；然后進(jìn)行全局優(yōu)化，通過初始解約束優(yōu)化范圍，并進(jìn)一步采用不同置信下限常數(shù)帶來的多路徑優(yōu)化增強(qiáng)算法的收斂性和探索性。本發(fā)明采用逆向網(wǎng)絡(luò)和正向優(yōu)化相結(jié)合的算法，在保證準(zhǔn)確度的同時具有更低的計(jì)算成本和更高的優(yōu)化速度，推動了片上無源器件設(shè)計(jì)的自動化和智能化。

技術(shù)研發(fā)人員：王海明,魏亞雯,劉涵宇,無奇
受保護(hù)的技術(shù)使用者：東南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2