論文介紹稱，這個全新的神經(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，并自己學會設(shè)計和調(diào)試。論文給出的結(jié)果顯示，該神經(jīng)網(wǎng)絡(luò)設(shè)計微波集成電路的水平堪比人類專業(yè)工程師。

 

相信看到這里業(yè)界的朋友們會和當初小編一樣吃驚。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，仍然是一個非常簡單的問題，因為微波集成電路（MWIC）的解空間更大，結(jié)構(gòu)也更為復雜，因此實現(xiàn)其自動設(shè)計一直以來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的電路，電路之間存在復雜的電磁效應(yīng)，微觀下的微小的擾動往往會帶來宏觀特性的巨大差異。圍棋的動作空間約為10-250，集成電路的狀態(tài)空間超過10-10000。

 

微波集成電路是人類工程師的智力勞動，是智慧、經(jīng)驗和直覺碰撞出的產(chǎn)物。對于工程師來說，設(shè)計過程需要利用計算機輔助設(shè)計工具發(fā)現(xiàn)問題、解決問題進而尋找最優(yōu)解決方案，這個過程繁瑣而枯燥，需要通過綜合各種方案分析、設(shè)計、優(yōu)化去逼近最優(yōu)解決方案。因此，如何使人類工程師徹底擺脫這項繁瑣的優(yōu)化設(shè)計工作，是一項非常有意義的挑戰(zhàn)。

 

AI是如何設(shè)計微波集成電路

 

AI能學會設(shè)計集成電路，靠的是一個“基于聚類和異步的優(yōu)勢行動者評論家算法模型”。文章介紹道，該模型包含兩部分——聚類算法和強化學習神經(jīng)網(wǎng)絡(luò)模型。其中，聚類算法用來對網(wǎng)格化的集成電路的設(shè)計動作進行劃分，即將集成電路的多個設(shè)計動作聚成幾個典型的動作類，類似于經(jīng)驗豐富的集成電路模型設(shè)計師對模型的參數(shù)化設(shè)置；強化學習模型則基于聚類算法劃分的典型動作簇作為策略網(wǎng)絡(luò)輸出的動作類別，預(yù)測當前集成電路模型的設(shè)計動作，然后再由價值網(wǎng)絡(luò)評估該設(shè)計動作的好壞，以找出最優(yōu)策略，從而達到自動設(shè)計微波集成電路的技術(shù)功效。

 

“我們設(shè)計了一個稱為關(guān)系歸納神經(jīng)網(wǎng)絡(luò)的架構(gòu)，它可以快速有效地學習集成電路內(nèi)部數(shù)據(jù)之間的規(guī)律，從而達到設(shè)計任意復雜集成電路的目的。”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，當每個網(wǎng)格發(fā)生變化時，由標準的CAE軟件包計算出結(jié)果，然后使用聚類算法對這些結(jié)果的變化進行分類，最后交由強化學習神經(jīng)網(wǎng)絡(luò)進行決策。

 

圖1：RINN架構(gòu)。a, 聚類算法的數(shù)據(jù)集，即網(wǎng)格模型的S參數(shù)變化矩陣。B，聚類算法。C、網(wǎng)格化的模型和S參數(shù)矩陣訓練深度強化學習模型。d，以c為輸入，以動作的概率向量π和價值標量v為輸出的深度強化學習模型。

 

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)計框架如圖1所示，其包含兩部分：聚類算法（圖1b）和強化學習神經(jīng)網(wǎng)絡(luò)模型（圖1d）。在本框架中，聚類算法用來對網(wǎng)格化的集成電路的設(shè)計動作進行劃分，即對集成電路的多個設(shè)計動作聚成幾個典型的動作類，類似于經(jīng)驗豐富的集成電路模型設(shè)計師對模型的參數(shù)化設(shè)置；強化學習模型（采用A3C算法）基于聚類算法劃分的典型動作簇作為策略網(wǎng)絡(luò)輸出的動作類別，預(yù)測當前集成電路模型的設(shè)計動作，然后再由價值網(wǎng)絡(luò)評估該設(shè)計動作的好壞，以找出最優(yōu)策略，從而達到自動設(shè)計微波集成電路的技術(shù)能力。

 

基于AI設(shè)計濾波器、天線案例分析

 

論文中針對微波傳輸線電路、濾波器電路、天線電路自動設(shè)計的不同方面進行的幾項綜合研究已經(jīng)取得成功，下面我們來一起看看論文中的2個研究案例。

 

1.基于RINN 進行濾波器設(shè)計

 

為了考驗RINN 濾波器設(shè)計的能力，研究者采用了四種濾波器設(shè)計任務(wù)，其中心頻率分別是9.3GHz、11.5GHz、7.55GHz 和6.95GHz，但是第四個濾波器的長度和寬度限制在5mm*5mm。具體設(shè)計任務(wù)見表1，具體設(shè)計方案見圖2。

 

表1：四種濾波器設(shè)計任務(wù)

 

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

 

AI從零開始學習如何在不知道設(shè)計規(guī)則的前提下設(shè)計MWIC 模型。通過觀察AI設(shè)計過濾器的動作，我們發(fā)現(xiàn)AI實際上已經(jīng)學會了類似于工程師的動作。為了降低通帶回波損耗并增加濾波器的插入損耗，第一項任務(wù)的AI學會了逐步調(diào)整當前頻率下諧振器之間的耦合系數(shù)，其設(shè)計過程如圖3（a-c）所示。

 

 

第二項任務(wù)和第三項任務(wù)的AI首先學會調(diào)整諧振器的長度，以達到移動中心頻率的目的，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)計過程如圖3（d-i）所示。

 

圖3  |  基于RINN 架構(gòu)的濾波器設(shè)計流程。a-c）第一個任務(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）四個任務(wù)的學習曲線。智能體的學習速度與設(shè)計任務(wù)的復雜度相關(guān)，設(shè)計任務(wù)越復雜，智能體的學習速度越慢。

 

2.基于RINN 進行天線設(shè)計

 

為了進一步證明RINN 架構(gòu)的設(shè)計能力，研究人員嘗試用它來設(shè)計天線。如圖4、圖5 所示，RINN 訓練的智能體在沒有任何人類知識的情況下成功地捕捉了天線的主要特征，并學會了在設(shè)計天線時執(zhí)行一系列的正確動作，這些動作能簡潔地表達引起他們觀察的因果關(guān)系。智能體基于學習的策略成功地設(shè)計出了三種不同頻率的天線模型。從設(shè)計天線的過程中，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分布一致。

 

圖4：天線的聚類可視化結(jié)果。a，天線模型。b，表面電流密度分布。c，磁場分布。d，電場分布。e，Meshed模型。f-j，網(wǎng)格頂點聚類的可視化結(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。d-f）觀察智能體根據(jù)回波損耗曲線（S11）的變化設(shè)計天線的過程。g）所有天線的增益模式。h）三種天線模型的學習曲線。

 

AI與人類專業(yè)工程師設(shè)計對比

 

通過對人類工程師設(shè)計的集成電路模型與AI設(shè)計的集成電路模型的對比，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；第二，一個貼片天線中心頻率為7.35 GHz 時，其增益大于3dB。從圖6 中對比的人類工程師和AI 設(shè)計的MWIC 模型中可以看出，人類工程師設(shè)計的模型更加規(guī)則，并且參數(shù)數(shù)量有限。AI設(shè)計的電路是不規(guī)則的，參數(shù)多，自由度高，形狀更趨近于自然形成。實際上，AI能夠?qū)W習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到與專業(yè)工程師相當?shù)乃健?/div>