論文介紹稱(chēng)，這個(gè)全新的神經(jīng)網(wǎng)絡(luò)架構(gòu)名叫“關(guān)系歸納神經(jīng)網(wǎng)絡(luò)”，它能夠總結(jié)和歸納微波集成電路內(nèi)在的電磁規(guī)律，并自己學(xué)會(huì)設(shè)計(jì)和調(diào)試。論文給出的結(jié)果顯示，該神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)微波集成電路的水平堪比人類(lèi)專(zhuān)業(yè)工程師。

 

相信看到這里業(yè)界的朋友們會(huì)和當(dāng)初小編一樣吃驚。正如論文里披露，創(chuàng)天科技表示雖然Google AlphaGo已經(jīng)是AI的里程碑，但下圍棋與微波集成電路相比，仍然是一個(gè)非常簡(jiǎn)單的問(wèn)題，因?yàn)槲⒉呻娐罚∕WIC）的解空間更大，結(jié)構(gòu)也更為復(fù)雜，因此實(shí)現(xiàn)其自動(dòng)設(shè)計(jì)一直以來(lái)都被視為人工智能領(lǐng)域的一大難題。

 

微波集成電路是在電路板上采用特定的工藝制造大量高精度微米納米級(jí)的電路，電路之間存在復(fù)雜的電磁效應(yīng)，微觀下的微小的擾動(dòng)往往會(huì)帶來(lái)宏觀特性的巨大差異。圍棋的動(dòng)作空間約為10-250，集成電路的狀態(tài)空間超過(guò)10-10000。

 

微波集成電路是人類(lèi)工程師的智力勞動(dòng)，是智慧、經(jīng)驗(yàn)和直覺(jué)碰撞出的產(chǎn)物。對(duì)于工程師來(lái)說(shuō)，設(shè)計(jì)過(guò)程需要利用計(jì)算機(jī)輔助設(shè)計(jì)工具發(fā)現(xiàn)問(wèn)題、解決問(wèn)題進(jìn)而尋找最優(yōu)解決方案，這個(gè)過(guò)程繁瑣而枯燥，需要通過(guò)綜合各種方案分析、設(shè)計(jì)、優(yōu)化去逼近最優(yōu)解決方案。因此，如何使人類(lèi)工程師徹底擺脫這項(xiàng)繁瑣的優(yōu)化設(shè)計(jì)工作，是一項(xiàng)非常有意義的挑戰(zhàn)。

 

AI是如何設(shè)計(jì)微波集成電路

 

AI能學(xué)會(huì)設(shè)計(jì)集成電路，靠的是一個(gè)“基于聚類(lèi)和異步的優(yōu)勢(shì)行動(dòng)者評(píng)論家算法模型”。文章介紹道，該模型包含兩部分——聚類(lèi)算法和強(qiáng)化學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型。其中，聚類(lèi)算法用來(lái)對(duì)網(wǎng)格化的集成電路的設(shè)計(jì)動(dòng)作進(jìn)行劃分，即將集成電路的多個(gè)設(shè)計(jì)動(dòng)作聚成幾個(gè)典型的動(dòng)作類(lèi)，類(lèi)似于經(jīng)驗(yàn)豐富的集成電路模型設(shè)計(jì)師對(duì)模型的參數(shù)化設(shè)置；強(qiáng)化學(xué)習(xí)模型則基于聚類(lèi)算法劃分的典型動(dòng)作簇作為策略網(wǎng)絡(luò)輸出的動(dòng)作類(lèi)別，預(yù)測(cè)當(dāng)前集成電路模型的設(shè)計(jì)動(dòng)作，然后再由價(jià)值網(wǎng)絡(luò)評(píng)估該設(shè)計(jì)動(dòng)作的好壞，以找出最優(yōu)策略，從而達(dá)到自動(dòng)設(shè)計(jì)微波集成電路的技術(shù)功效。

 

“我們?cè)O(shè)計(jì)了一個(gè)稱(chēng)為關(guān)系歸納神經(jīng)網(wǎng)絡(luò)的架構(gòu)，它可以快速有效地學(xué)習(xí)集成電路內(nèi)部數(shù)據(jù)之間的規(guī)律，從而達(dá)到設(shè)計(jì)任意復(fù)雜集成電路的目的。”研究人員表示，在其方案中，集成電路形狀被定義為一組參數(shù)化網(wǎng)格，當(dāng)每個(gè)網(wǎng)格發(fā)生變化時(shí)，由標(biāo)準(zhǔn)的CAE軟件包計(jì)算出結(jié)果，然后使用聚類(lèi)算法對(duì)這些結(jié)果的變化進(jìn)行分類(lèi)，最后交由強(qiáng)化學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行決策。

 

圖1：RINN架構(gòu)。a, 聚類(lèi)算法的數(shù)據(jù)集，即網(wǎng)格模型的S參數(shù)變化矩陣。B，聚類(lèi)算法。C、網(wǎng)格化的模型和S參數(shù)矩陣訓(xùn)練深度強(qiáng)化學(xué)習(xí)模型。d，以c為輸入，以動(dòng)作的概率向量π和價(jià)值標(biāo)量v為輸出的深度強(qiáng)化學(xué)習(xí)模型。

 

基于關(guān)系歸納神經(jīng)網(wǎng)絡(luò)的微波集成電路模型設(shè)計(jì)框架如圖1所示，其包含兩部分：聚類(lèi)算法（圖1b）和強(qiáng)化學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型（圖1d）。在本框架中，聚類(lèi)算法用來(lái)對(duì)網(wǎng)格化的集成電路的設(shè)計(jì)動(dòng)作進(jìn)行劃分，即對(duì)集成電路的多個(gè)設(shè)計(jì)動(dòng)作聚成幾個(gè)典型的動(dòng)作類(lèi)，類(lèi)似于經(jīng)驗(yàn)豐富的集成電路模型設(shè)計(jì)師對(duì)模型的參數(shù)化設(shè)置；強(qiáng)化學(xué)習(xí)模型（采用A3C算法）基于聚類(lèi)算法劃分的典型動(dòng)作簇作為策略網(wǎng)絡(luò)輸出的動(dòng)作類(lèi)別，預(yù)測(cè)當(dāng)前集成電路模型的設(shè)計(jì)動(dòng)作，然后再由價(jià)值網(wǎng)絡(luò)評(píng)估該設(shè)計(jì)動(dòng)作的好壞，以找出最優(yōu)策略，從而達(dá)到自動(dòng)設(shè)計(jì)微波集成電路的技術(shù)能力。

 

基于AI設(shè)計(jì)濾波器、天線案例分析

 

論文中針對(duì)微波傳輸線電路、濾波器電路、天線電路自動(dòng)設(shè)計(jì)的不同方面進(jìn)行的幾項(xiàng)綜合研究已經(jīng)取得成功，下面我們來(lái)一起看看論文中的2個(gè)研究案例。

 

1.基于RINN 進(jìn)行濾波器設(shè)計(jì)

 

為了考驗(yàn)RINN 濾波器設(shè)計(jì)的能力，研究者采用了四種濾波器設(shè)計(jì)任務(wù)，其中心頻率分別是9.3GHz、11.5GHz、7.55GHz 和6.95GHz，但是第四個(gè)濾波器的長(zhǎng)度和寬度限制在5mm*5mm。具體設(shè)計(jì)任務(wù)見(jiàn)表1，具體設(shè)計(jì)方案見(jiàn)圖2。

 

表1：四種濾波器設(shè)計(jì)任務(wù)

 

圖2  |  濾波器的聚類(lèi) 可視化結(jié)果。a）濾波器模型。b-d）設(shè)計(jì)好的濾波器模型的表面電流密度分布、電場(chǎng)分布和磁場(chǎng)分布。e）網(wǎng)狀模型（meshed model）。f-j）設(shè)計(jì)好的濾波器上的典型動(dòng)作集群（action cluster）可視化結(jié)果。k-o）典型動(dòng)作集群的可微S 11 曲線。

 

AI從零開(kāi)始學(xué)習(xí)如何在不知道設(shè)計(jì)規(guī)則的前提下設(shè)計(jì)MWIC 模型。通過(guò)觀察AI設(shè)計(jì)過(guò)濾器的動(dòng)作，我們發(fā)現(xiàn)AI實(shí)際上已經(jīng)學(xué)會(huì)了類(lèi)似于工程師的動(dòng)作。為了降低通帶回波損耗并增加濾波器的插入損耗，第一項(xiàng)任務(wù)的AI學(xué)會(huì)了逐步調(diào)整當(dāng)前頻率下諧振器之間的耦合系數(shù)，其設(shè)計(jì)過(guò)程如圖3（a-c）所示。

 

 

第二項(xiàng)任務(wù)和第三項(xiàng)任務(wù)的AI首先學(xué)會(huì)調(diào)整諧振器的長(zhǎng)度，以達(dá)到移動(dòng)中心頻率的目的，然后調(diào)整諧振器之間的耦合系數(shù)，以減少通帶回波損耗，增加插入損耗，其設(shè)計(jì)過(guò)程如圖3（d-i）所示。

 

圖3  |  基于RINN 架構(gòu)的濾波器設(shè)計(jì)流程。a-c）第一個(gè)任務(wù)的優(yōu)化濾波器模型，及其回波損耗（S_11）和插入損耗（S_21）變化圖。d-f）、g-i）、j-l）分別是第二、三、四個(gè)任務(wù)的優(yōu)化濾波器模型、回波損耗（S_11）變化圖和插入損耗（S_21）變化圖。m）四個(gè)任務(wù)的學(xué)習(xí)曲線。智能體的學(xué)習(xí)速度與設(shè)計(jì)任務(wù)的復(fù)雜度相關(guān)，設(shè)計(jì)任務(wù)越復(fù)雜，智能體的學(xué)習(xí)速度越慢。

 

2.基于RINN 進(jìn)行天線設(shè)計(jì)

 

為了進(jìn)一步證明RINN 架構(gòu)的設(shè)計(jì)能力，研究人員嘗試用它來(lái)設(shè)計(jì)天線。如圖4、圖5 所示，RINN 訓(xùn)練的智能體在沒(méi)有任何人類(lèi)知識(shí)的情況下成功地捕捉了天線的主要特征，并學(xué)會(huì)了在設(shè)計(jì)天線時(shí)執(zhí)行一系列的正確動(dòng)作，這些動(dòng)作能簡(jiǎn)潔地表達(dá)引起他們觀察的因果關(guān)系。智能體基于學(xué)習(xí)的策略成功地設(shè)計(jì)出了三種不同頻率的天線模型。從設(shè)計(jì)天線的過(guò)程中，可以看到輻射貼片主要影響中心頻率，而饋線主要影響輸入阻抗。這些結(jié)果都與矩形貼片天線的理論以及電磁場(chǎng)分布一致。

 

圖4：天線的聚類(lèi)可視化結(jié)果。a，天線模型。b，表面電流密度分布。c，磁場(chǎng)分布。d，電場(chǎng)分布。e，Meshed模型。f-j，網(wǎng)格頂點(diǎn)聚類(lèi)的可視化結(jié)果。

 

圖5：a-c）三種天線模型，其中心頻率分別為8.5GHz、6.15GHz 和7.35GHz，由智能體設(shè)計(jì)。d-f）觀察智能體根據(jù)回波損耗曲線（S11）的變化設(shè)計(jì)天線的過(guò)程。g）所有天線的增益模式。h）三種天線模型的學(xué)習(xí)曲線。

 

AI與人類(lèi)專(zhuān)業(yè)工程師設(shè)計(jì)對(duì)比

 

通過(guò)對(duì)人類(lèi)工程師設(shè)計(jì)的集成電路模型與AI設(shè)計(jì)的集成電路模型的對(duì)比，在9.1GHz 的中心頻率和1.2GHz 的帶寬下，6階濾波器的反射損耗小于-15dB，插入損耗大于-1dB；第二，一個(gè)貼片天線中心頻率為7.35 GHz 時(shí)，其增益大于3dB。從圖6 中對(duì)比的人類(lèi)工程師和AI 設(shè)計(jì)的MWIC 模型中可以看出，人類(lèi)工程師設(shè)計(jì)的模型更加規(guī)則，并且參數(shù)數(shù)量有限。AI設(shè)計(jì)的電路是不規(guī)則的，參數(shù)多，自由度高，形狀更趨近于自然形成。實(shí)際上，AI能夠?qū)W習(xí)抽象出影響電路性能的關(guān)鍵參數(shù)，并掌握各種各樣的設(shè)計(jì)任務(wù)。因此，AI僅接收網(wǎng)格化電路模型和S參數(shù)矩陣作為其輸入就能夠達(dá)到與專(zhuān)業(yè)工程師相當(dāng)?shù)乃健?/div>