基于电磁耦合深度学习模型的射频器件建模方法及装置与流程

本发明属于微波射频工程，涉及一种基于电磁耦合深度学习模型的射频器件建模方法及装置。

背景技术：

1、射频器件的建模是一种重要和常见的手段。对于射频器件有限元法(fem)将麦克斯韦方程转化为微分方程。fem求解器可以处理任意形状的结构，如键合线、锥形通孔或有限尺寸基板。虽然em仿真方法对于射频器件分析非常有用，但是em仿真存在一个严重的问题，即它们非常耗时。例如申请人前期提出中国专利cn108959728 a提出的是基于深度学习的射频电路建模优化技术，能大幅节约掉em仿真所消耗的时间，不过其侧重的是对于单一射频器件的散射参数结果的精确生成和参数优化，但是这个射频器件建模仅靠考虑了单一射频器件的情况，但是当多个射频器件模型在电路设计中进行级联时的耦合效用并没有进行考虑，导致整体设计仿真结果不准确。

2、因此，本发明提出基于电磁耦合深度学习模型的射频器件建模方法及装置，是将两个射频器件之间的耦合效应进行参数化建模生成耦合模型，参与到版图仿真中，有效的解决了上述问题。

技术实现思路

1、本发明的目的是针对现有技术的不足，提供了一种基于电磁耦合深度学习模型的射频器件建模方法及装置，有效改善深度学习模型级联后因没有考虑耦合效应而引起的误差。

2、本发明所采用的技术方案如下：

3、第二方面，本发明提供基于电磁耦合深度学习模型的射频器件建模方法，该方法包括以下步骤：

4、步骤(1)、获取数据

5、多个射频器件置于多个不同相对位置，然后获取两个射频器件中心点在版图设计中的多个相对位置δx，以及添加到上述射频器件上的多个信号频率freq，然后对相对位置δx和信号频率freq进行两两组合，然后在全波电磁仿真器进行参数扫描批量仿真，获得对应的批量y参数(导纳参数)，记为yem；

6、将yem代入电路仿真器中，使等效电路具有与版图设计相同物理含义，最终仿真得到yspice；计算tem与yspice的差值δy，将δy定义为两个射频器件的耦合效应；

7、将耦合效应δy作为对应相对位置δx和频率信息freq的标签；

8、步骤(2)、对数据进行预处理，构建数据集；

9、2.1对相对位置δx和频率信息freq使用离差标准化方法进行归一化处理，将其映射到[-1,1]区间；

10、所述离差标准化方法见公式(1)：

11、

12、其中xmin为x的最小值，xmax为x的最大值，x＝相对位置δx或频率信息freq；

13、2.2耦合效应δy由于其幅值、相位，或实部、虚部的变化区间较大，且容易出现个别的突出值点；所以对耦合效应δy使用z-scores方法进行归一化处理；

14、所述z-scores方法通过以下方式转换为标准分数：

15、

16、其中μ为δy的平均值，σ为δy的标准差；

17、步骤(3)、构建电磁耦合深度学习模型，并利用数据集对其进行训练、验证和测试；

18、所述电磁耦合深度学习模型是在多层神经网络的输入层和输出层之间连接两个以上隐藏层；

19、其中每个隐藏层内设置100个神经元，在每个隐藏层后加上relu激活函数为神经网络加入非线性因素，relu激活函数后添加dropout层，整个网络使用全连接架构；输出层为8个神经元，对应δy11实部，δy11虚部，δy21实部，δy21虚部，δy12实部，δy12虚部，δy22实部，δy22虚部。

20、将上述步骤(2)预处理后的相对位置δx和频率信息freq，作为电磁耦合深度学习模型的输入，上述射频器件对应的耦合效应δy作为电磁耦合深度学习模型的输出；

21、所述电磁耦合深度学习模型的损失函数调用优化算法通过反向传播改变输入的权重参数wi和偏执参数b，进而减小损失值，直至满足终止条件；

22、所述的损失函数使用均方误差函数(mse,mean squared error)：

23、

24、其中i表示第i个样本，yi表示耦合效应δy真实值，y'i表示模型输出的耦合效应δy预测值,n表示样本总个数；

25、步骤(4)、将训练、验证和测试好的电磁耦合深度学习模型作为电路元器件置入电路仿真器，得到电路仿真结果。

26、第二方面，本发明提供实现所述方法的射频器件建模装置，包括：

27、训练、验证和测试好的电磁耦合深度学习模型，负责根据两个射频器件中心点在版图设计中的多个相对位置δx，以及添加到上述射频器件上的多个信号频率freq，预测得到两个射频器件对应的耦合效应δy；

28、电路仿真器，负责根据版图设计要求以及电磁耦合深度学习模型输出的耦合效应δy，仿真得到等效电路；

29、第三方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现所述方法。

30、第四方面，本发明提供一种机器可读存储介质，其特征在于，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现所述方法。

31、本发明的有益效果是：

32、本发明提出采用射频器件的耦合效应新计算方法，弥补了射频器件建模中未考虑耦合问题的技术空白，实现射频器件建模仿真结果精准度的显著提高。本发明利用电路仿真器引入了电磁耦合深度学习模型，使原本准确、快速的单一射频器件ai模型结合耦合效果，整体深度学习模型设计所得结果更加接近全波电磁仿真结果。

技术特征：

1.基于电磁耦合深度学习模型的射频器件建模方法，其特征在于该方法包括以下步骤：

2.根据权利要求1所述方法，其特征在于对相对位置δx、频率信息freq进行预处理的实现过程是：使用离差标准化方法对相对位置δx和频率信息freq进行归一化处理，映射到[-1,1]区间。

3.根据权利要求1所述方法，其特征在于对耦合效应δy进行预处理的实现过程是：对耦合效应δy使用z-scores方法进行归一化处理。

4.根据权利要求1所述方法，其特征在于所述电磁耦合深度学习模型采用多层神经网络。

5.根据权利要求4所述方法，其特征在于所述电磁耦合深度学习模型是在多层神经网络的输入层和输出层之间连接两个以上隐藏层。

6.根据权利要求5所述方法，其特征在于所述电磁耦合深度学习模型中，每个隐藏层内设置多个神经元，在每个隐藏层后依次添加relu激活函数、dropout层。

7.根据权利要求5所述方法，其特征在于所述电磁耦合深度学习模型的整个网络使用全连接架构。

8.实现权利要求1-7任一项所述方法的射频器件建模装置，其特征在于包括：

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1-7任一项所述方法。

10.一种机器可读存储介质，其特征在于，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现权利要求1-7任一项所述方法。

技术总结本发明公开基于电磁耦合深度学习模型的射频器件建模方法及装置。将多个射频器件置于多个不同相对位置，并记录其中心点相对位置以及频率进行参数扫描。利用全波电磁仿真器生成批量Y参数Y<subgt;em</subgt;，将Y<subgt;em</subgt;置于电路仿真器中使其具有与全波电磁仿真相同物理含义，仿真得到Y<subgt;Spice</subgt;，将Y<subgt;em</subgt;与Y<subgt;Spice</subgt;做差，生成差值ΔY定义此差值关系为耦合效应，构建电磁耦合深度学习模型。将电磁耦合深度学习模型与电路仿真器进行级联，得到整体仿真结果。本发明利用电路仿真器引入电磁耦合深度学习模型，使原本准确、快速的单一射频器件AI模型结合耦合效果，所得结果更加接近全波电磁仿真结果。技术研发人员：王高峰,管智敏,赵鹏受保护的技术使用者：杭州法动科技有限公司技术研发日：技术公布日：2024/11/4