Artificial Intelligence and Machine Learning Add New Capabilities to Traditional RF EDA Tools

供稿：Altair、ANSYS、Cadence/AWR、Keysight、MathWorks

（点此阅读含图表的全文）

基于机器学习的Altair天线设计优化

Altair, Troy, Mich.

Altair公司秉承仿真驱动创新设计的理念，拥有全面的跨学科设计优化软件，包括结构、运动、流体、热、电磁、系统设计和嵌入式系统等，同时提供数据分析和可视化工具。Altair公司的愿景是通过仿真、数据分析及高性能计算来改变决策。

多年来，Altair公司凭借其设计探索工具Altair HyperStudy™，在人工智能(AI)和机器学习(ML)领域处于领先地位。HyperStudy可以自动地、智能地创建和改变设计，管理运算过程，并收集分析数据，然后帮助用户了解数据趋势，进行对比研究，提高产品性能和可靠性。利用HyperStudy的设计探索方法，电磁仿真软件Altair FEKO™将ML应用于天线设计优化和电磁兼容仿真。基于ML的天线优化流程有：

•       通过DoE分析和数值仿真生成训练和测试数据集

•       根据生成的训练数据集建立ML模型

•       使用生成的测试数据集验证ML模型

•       使用ML模型优化天线设计

使用ML进行天线设计有助于了解目标与自变量的变化趋势、进行权衡研究并优化设计产品性能和可靠性。下面提供两个例子来说明将ML应用于FEKO^®和HyperStudy中天线设计的优势。

案例1：双端口LTE天线优化（图1）

•       天线仿真模型包含12个设计变量和2个响应(S11, S21)

•       使用ML回归模型(regression model)快速优化。处理时间对比：

DoE数据生成时间：14.7小时

训练ML回归模型：2秒

使用ML模型优化设计：10秒

基于仿真模型的常规优化：40.4小时

采用ML方法的加速比：2.75

案例2：基于进化（evolutionary）算法的WLAN天线优化（图2）

•       天线仿真模型包含112个二进制设计变量和2个响应

•       设计变量表示蜂窝状单元是否为金属

•       所有可能的设计组合数量为2¹¹² ≈ 5.2*10³³

•       使用进化算法寻找最优的天线拓扑结构

•       优化目标：2.44GHz和5.2GHz的S11最小

•       优化约束：金属蜂窝状单元的总数<50

•       经过4300次迭代和12次进化，多目标遗传算法确定了一组帕累托最优解

一直以来，Altair成熟地应用ML回归模型进行设计探索和优化，现在也将这种方法应用于天线设计和解决电磁领域相关问题。最近Altair通过产品更新，将ML产品组合推广到数据分析领域，包含了机器学习和预测分析。Altair领先的ML工具在天线设计中的应用，将引发当今甚至未来无线设备新型天线开发设计的重大变革。

基于Ansys物理仿真的机器学习

Ansys Inc., Canonsburg, Pa.

Ansys引入并使用机器学习（ML）方法和工具已有很长一段时间，旨在提升物理工程仿真的功能体验。一个早期的例子是Ansys HFSS在自适应网格剖分求解过程中所采用的自动化方法。该方法使用之前的有限元解来预测应该在何处进行网格细化，以获得更准确的解。虽然并非现代意义上的机器学习，并没有在明确编程的情况下进行预测或决策，但是自动自适应网格剖分技术可借助计算机基于之前的结果来发现具有更好精度和更快速度的网格模型。

在半导体领域，RedHawk-SC产品运用大数据和机器学习来实现超大型、高度复杂的集成电路设计工作的快速迭代。机器学习提供了具有可操作性的分析方法，以识别设计修改，并确定其优先次序。此外，Ansys还在诸多仿真功能中运用了机器学习方法，比如推断材料的光学属性、在仿真前评估高性能计算（HPC）资源的设计智能助手、为高级辅助驾驶系统和汽车雷达自动生成道路场景等。

用于汽车雷达检测的机器学习

Ansys曾演示了一种应用，使用Ansys HFSS弹跳射线法（SBR+）高频近似电磁求解器来预测复杂驾驶场景下的雷达回波。Ansys HFSS SBR+可用于预测车载雷达在移动场景中的多普勒响应，该场景可包含道路及静态物、移动车辆和行人、建筑物、路标和植物等组合。

利用该功能，软件可利用机器学习算法提供基于雷达的目标定位和分类。机器学习的目标是通过生成数学模型，从复杂数据中检测并推断特定模式，而该数学模型可快速根据新数据做出决策。通常，用于机器学习训练的已有预训练模型或数据集非常少，因此这项工作采用的方法是用Ansys HFSS SBR+计算生成所需的数据集和训练模型。

使用这种基于仿真的方法具有非常明显的优势，可使用任何不具备实证可能性的驾驶场景自动生成上述数据。更重要的是，场景中的对象是在创建场景时被放置在那里，因此具备自我注释和数据标注的特点。由于是我们将其放置在指定位置，所以我们知道是否还有其他汽车或行人。这与需要大量辛苦的手工注释的经验法相比有着显著的区别。当然考虑到高度并行的仿真需求，加速创建数据集的过程可以使用HPC加速。

回波信号中的多普勒频移能有效确定对象的速度，时间延迟能有效确定雷达的距离（范围）。典型雷达回波（图3）在彩色阴影图中提供了散射场大小的信息，图中分别通过沿距离轴和多普勒轴的位置来显示距离和距离变化率。环境中的一切物体都会产生散射场，因此汽车、行人、路标、建筑物和树木都会起作用，并可能出现在雷达图像中。

仿真实现的机器学习

在Ansys机器学习方法中，采用三步流程来生成数据：1）训练机器学习算法，2）运行场景检测，3）与真实值进行比较。图4所示的是生成数据的自动化流程。他们首先在限制环境内通过组合模型库部件，创建带有速度和随机位置布局的完整雷达场景。自动化生成雷达模块的距离-多普勒回波结果，并使用带有位置和对象标识符的XML文件生成带完整注释的距离-多普勒图。

为了进行训练，构建一种基于YOLO v3架构的深度学习模型。这是一种基于卷积神经网络的方法，用于众多基于图像的目标检测分类器，并使用基于物理仿真的雷达结果从零开始训练。图5所示的是使用标记数据的总体神经网络训练，其中可包含超过9,000个场景。随后，该软件通过对训练中未使用过的新雷达场景进行测试，用于测试和验证该模型。Ansys发现了83%的平均精度均值（mAP）（这是一种用于量化对象检测精度的指标）。使用更多训练数据可观察到行人检测准确性提高，当分别使用3,000到9,000个训练场景时，行人检测的准确性从61%提高到74%。

Ansys尝试了一种极其复杂的雷达场景，该场景包含混凝土道路结构（训练中未包含此部分结构）和三辆近距离并排行驶的车（图6）。该场景的mAP较低，为52%，在混凝土道路结构上对汽车进行了误报检测，并且无法将近距离行驶的三辆车中的一辆区分开来。

Ansys已经证明，在汽车雷达应用方面，利用基于物理的仿真来训练机器学习算法是可行可取的。Ansys HFSS SBR+已用于多达9,000个独立场景仿真的数据集生成。每个场景需要1到2 GB的RAM，使用单核求解的平均时间约为20分钟。考虑到该方法的并行计算具有近似线性的加速效率，在128核的机器上，半天内即可计算出6,000个场景。结果表明，该技术在真实环境中能够准确定位对象并将其分类。

Cadence AWR用ML加速设计

Cadence AWR, San Jose, Calif.

如今的RF系统主要是通过软件工具开发的，这些软件工具使工程团队可以随时访问紧凑的电磁（EM）模型，以及覆盖基于计算机设计的电子产品各个阶段的仿真和优化技术。然而，随着新的下一代电子系统变得越来越复杂，设计和制造工作同样也变得更具挑战性，并且变得更加昂贵。真正令人担忧的是，工程和经济方面的困难威胁着超越摩尔定律（MtM）的发展步伐，阻碍微电子技术和诸如从射频到毫米波前端等多工艺集成的非数字技术的发展。

机器学习（ML）、人工智能（AI）和云计算（CC）都在探索中，以帮助减轻这些担忧。在ML、AI和CC的一些应用案例中，可以通过学习决策和优化设计流程来执行各种工程任务、提高生产率、提高仿真技术的速度/能力。通常，卷积和递归神经网络以及机器和深度学习算法将成为5G及以上通信系统的重要驱动力，包括从射频到毫米波的电子设备及其内部的电子器件。因此，决策设计自动化对于未来通信和无线探测系统的开发至关重要。

Cadence® AWR Design Environment^®使用遗传优化算法，通过应用ML来加快包括天线、滤波器和阻抗匹配网络在内的5G无线通信和雷达系统中所有关键器件的设计，为无线产品探索更多设计。该软件根据设计人员设定的性能标准运行，并且通过设计人员在定义目标/搜索限制方面的知识得到增强，此后该工具将承担经验拓扑/参数设计和空间优化的任务。

网络综合

AWR Design Environment网络综合向导可使用ML和AI创建由离散和分布式器件组成的优化了的两端口匹配网络（图7）。设计人员设定最大分区数量和器件类型确定搜索空间，然后向导会探索最佳的电路拓扑并优化器件参数值。

向导的优化目标由设计人员使用一组专用的综合测量来确定，就像优化目标通常是在AWR软件中定义的一样。提供了针对输入噪声匹配、放大器输出功率匹配和级间匹配的专门测量。最佳反射系数是在整个频率范围内指定的，可以以负载牵引数据、网络参数数据文件甚至电路原理图的形式提供。

当生成可能的网络拓扑时，向导首先为单个器件创建所有可能的拓扑。这种拓扑的数量通常等于软件中器件复选框页面的数量。例如，为了创建两分区的拓扑，向导将采用每个分区的拓扑，并遍历允许遵循第一个拓扑的器件列表。重复该过程，拓扑数随分区数成指数增长。此设置被称为“M”，默认设置为1000，它通过限制将用于创建具有N +1个截面的拓扑的N截面拓扑的数量，提供了一种限制指数增长的方法。仅会传播“M”个最佳拓扑。

这种基于搜索的方法基于要在串联和并联槽中使用的电容、电感和传输线元件类型的用户指定来确定候选电路拓扑。然后，向导将进行详尽的搜索，通过将解决方案扩展到用户定义的最大分区数来探索所有可能的拓扑。

然后，启发式方法确定什么元件可以跟随现有元件。通过自学习（或ML）过程，合成器可以了解哪些元件可以串行放置，例如两条不同宽度的传输线以形成阶跃阻抗变压器或更高频率的完全分布的传输线网络。它还从匹配的角度了解不能串行放置的元件，如两个电容器。

除了网络综合之外，AWR软件产品还采用进化算法来创建新颖的天线结构，其中AI利用遗传优化和EM分析来探索设计。无论设计人员是专注于开发宽带放大器的阻抗匹配网络还是下一代天线设计，AWR软件都可以利用ML、AI和CC的先进技术。通过这样的各种计算技术来支持不同类型的设计以及仿真技术的能力，对于射频毫米波设计及MtM的未来将变得越来越重要。

是德科技在软件设计中的AI/ML优化

Keysight Technologies, Santa Rosa, Calif.

是德科技在AI/ML研究以及将AI/ML技术应用于建模、仿真和测试环境方面具有悠久的历史。是德科技实验室和应用团队与顶尖大学以及特定研究领域的杰出研究者合作进行这项研究。是德科技因成功使用神经网络对场效应晶体管进行仿真及建模、以及在用于制造分析和测试计划优化的分析软件上采用AI/ML技术而广为人知。

是德科技将AI/ML技术与EM仿真相结合时的关注重点是找到针对优化和EM设计问题的改进解决方案。例如，AI/ML技术的传统应用是在一系列由成本或可用范围构成的物理约束中寻求一个最佳的天线形状（图8）。

为了制造出最佳天线，设计者从选择一个基本设计开始，该基本设计由一组具有宽取值范围的参数描述。这些参数的影响或者它们组合起来的影响，通常很难预测或建模。对整个参数空间进行扫参，然后选择最佳配置是不现实的。每个新的配置都需要EM仿真，这些EM仿真将花费大量的时间。任何减少EM仿真次数的技术都会大幅缩减设计最佳天线所需的时间。

传统的优化技术经常会产生不令人满意的结果，因为它们趋向于陷入局部最优解。使用演讲的优化算法搜索连续的设计参数空间可以限制所需的EM仿真次数，又可以有效地避免局部最小值。

是德科技还成功地将AI/ML技术用于EM仿真，以找到PCB上从稳压器到芯片的功率传输所需的最佳去耦电容器（decaps）数量。功率分配网络要求将去耦电容器放在电源和接地导轨之间。确定最佳的去耦电容数量对于PCB性能和降低成本至关重要。对于复杂的PCB，可以很容易地进行100个去耦电容的排布，并且每种布局都有很多可用的选择。通过将所有可能的组合进行排列以找到最佳的去耦电容数量同样是不符合实际的，需要花费数百年的时间（图9）。

给每个位置固定五个去耦电容器，它们组合的数量即有6100个，包括零放置的选项。决定不使用去耦电容是一个减小PCB成本的有效方法。是德科技研究了该领域专家解决去耦电容的方法，并将它们与减小搜索空间的AI/ML技术相结合。AI/ML算法可以快速消除参数空间中不太可能出现最优解的区域。从而在有可能提供最优解的区域中找到最优解。该算法通过预先计算问题的EM部分来加速对潜在解决方案的评估，它有效地利用了之前的解，并不需要从头开始进行EM仿真。

MathWorks在其工具中无缝集成人工智能

MathWorks, Natick, Mass.

MathWorks提供一系列以MATLAB和Simulink为基础构建的工具，广泛应用于建模、仿真和部署无线系统和雷达系统。天线工具箱、射频工具箱、相控阵系统工具箱、以及传感器融合与跟踪工具箱等工具涵盖射频、天线、相控阵、信号处理和数据处理等多个领域。此外，MathWorks在基于各大标准的工具箱（包括5G工具箱、LTE工具箱以及WLAN工具箱）中也提供了建模构建块、算法与系统仿真器。

面向深度学习、机器学习（ML）与强化学习，MATLAB支持多种人工智能（AI）算法与训练工作流。这些算法和工作流是其包括无线与雷达工具（内含通信工具箱和相控阵系统工具箱）的一体化环境的一部分。该环境助力系统设计师在他们的应用中直接应用这些AI技术，这其中可能包括标记基带数据，以训练网络用于监督学习。调制识别与目标分类是这类监督学习的好例子。在其他应用中，AI技术用于改善系统性能，例如，一个无线系统可能学习到信道如何随时间变化，或者如何在存在干扰的情况下发挥最佳性能。

5G无线系统和多功能雷达系统要在如此复杂的环境中运行，并执行上一代系统从未处理过的任务，这其中存在着大量难以解决的系统级难题。为了解决问题并提高系统性能，我们可以将AI应用到这些系统中。好消息是，可以利用基于视觉系统而开发的很多AI基础技术。此外，针对信号的算法及工作流也有助于在射频应用中运用AI。系统工程师现在可以使用MATLAB与Simulink以及支持工具箱，将AI无缝地集成到自己的工作流中。

在无线应用和雷达应用中，系统设计工作流中涵盖了以下步骤（图10）：

• 直接连接到无线电和雷达

• 管理大型数据集，其中包括标记基带信号（使用信号处理工具箱）这一流程

• 由信号中提取用于ML网络的特征（使用信号处理工具箱与子波工具箱）

• 合成真实数据，训练深度学习网络

• 设计专用于无线应用和雷达应用的AI网络（使用深度学习工具箱）

• 连接到更大型AI生态系统中的网络（使用深度学习工具箱）

• 将代码部署到处理器、GPU或FPGA

该工作流从最早期的原型制作阶段开始一直延伸至部署阶段，确保交付的系统与项目最初阶段构建完成的系统模型相匹配。系统工程师能够在系统仿真中使用通道模型、障碍条件及环境条件生成大量数据。获得该数据有助于减少训练深度学习网络所需的现场测试工作量。即使有数据存在，数据合成对于通过极端条件扩充数据而言也是非常宝贵的。这有助于系统开发人员交付更可靠的系统。本例中的可靠性是指分类的改善或更好的目标识别。这也意味着在有干扰的情况下或是在识别可信射频源时，能够提供更优异的性能。

AI在无线和雷达领域中最常见的应用包括调制识别、频谱管理、通道估测以及目标分类。MathWorks近期完成建模的一款射频指纹应用示例已随R2020a版提供。该示例的推出是为了响应客户的普遍要求，它尤其适用于网络安全应用。其理念是让网络经过训练后，能够识别可信发送器和接收器之间的射频指纹。如果尝试使用电子欺骗来干扰运行或企图获得无授权连接，经训练的AI网络就能够识别出这种情况。MathWorks使用通信工具箱与WLAN工具箱开发出这种算法，并使用纯合成数据训练该AI系统。随后他们使用从市售无线电产品采集的数据来测试系统，得到的结果相同（图11）。

总结

如Altair、Ansys、Cadence AWR、Keysight和MathWorks所诉，AI和ML已被应用到许多EDA工具和平台中，使许多设计过程自动化并更快、更准确地获得结果。他们还可以仿真以前过于复杂或数据密集型的场景，这些场景在没有AI和ML的情况下是无法仿真的。这些功能的实现才刚刚开始，并期望在不久的将来使用AI和ML进行更多新的改进。