一种模拟电路的快速仿真优化方法及其系统与流程

1.本发明属于软件开发技术领域，具体涉及一种针对模拟电路的快速仿真优化方法及其系统，尤其针对的是射频电路。


背景技术：

2.在模拟电路尤其是射频电路中，电路实际加工之前一般会进行仿真确认电路的性能。当前常用的方法是采用工艺厂家提供的pdk库中电路等效模型搭建电路进行仿真。但是该方法存在两个问题，首先是该pdk模型只能依赖工艺厂家提供的标准化模型，而用户基本不能自定义建模非标准化模型，使得在对非标准化射频电路设计受限；其次是射频电路的仿真往往依赖于电磁场仿真软件，一般的电磁场仿真软件精度较高，但是同时仿真一次需要很长时间，尤其是规模较大的射频电路系统，仿真将十分缓慢，而进一步以仿真结果为基础的电路优化更加难以进行。这些问题都对电路设计产生关键影响。


技术实现要素：

3.本发明的一个目的在于针对背景技术中所提到的在模拟电路设计过程中非标准化电路模型建模困难问题，以及电磁场仿真速度较为缓慢导致的电路设计效率不高的问题，提出了一种模拟电路的快速仿真优化方法，通过人工智能(artificial intelligence,ai)技术创建ai模型，可以实现任意结构的非标准化电路模型的建模，同时还能保证较高的模型精度。另外ai模型的快速预测功能能够提升电路仿真的速度，因此可以充分发挥电路优化方法快速寻优的作用，提高电路设计的效率，在电路设计的精度和速度之间找到合理的平衡点。
4.本发明采用的技术方案如下：
5.一种模拟电路的仿真优化方法，包括预仿真过程和优化过程；
6.所述预仿真过程具体包括以下步骤：
7.步骤s1:构建器件库，器件库包括若干对应不同电子元件的库单元，每个库单元对应一种类型的电子元件；每个库单元内设有参数化模型和ai模型；
8.所述参数化模型采用计算机编程语言描述的特定器件，用于根据输入变量利用计算机图形学生成包含电子元器件实际物理尺寸和结构的电路版图；
9.所述输入变量为电子元件中不同结构的长度、宽度、间距、高度中的一种或多种；
10.所述ai模型采用深度学习网络，用于根据与参数化模型相同的输入变量预测出对应电子元件的网络参数，其中电子元件的网络参数包括散射参数(s参数)、导纳参数(y参数)、阻抗参数(z参数)中的一种。
11.作为优选，所述深度学习网络采用全连接神经网络。
12.步骤s2:电路搭建
13.根据实际需求将采用多个相同类型电子元件或不同类型电子元件的库单元中参数化模型生成的电路版图进行连接，搭建成模拟器件的等效电路；所述相同类型电子元件
的库单元的输入变量类型相同或不同；当所述相同类型电子元件的库单元的输入变量类型相同时，其值相同或不同。
14.s3:ai网络互连：
15.根据模拟器件的等效电路中各库单元中参数化模型的电路版图的相交关系，确定对应各库单元中参数化模型的相互连接或断开，并生成描述多个库单元的电路版图互连关系网表文件。所述网表文件中描述的多个库单元的电路版图互连关系是指将每个电路版图对应的ai模型互相连接，构成模拟器件的等效电路对应的ai网络。
16.该ai网络根据电路中参数化模型的增加、删除、改变连接方式，同步进行相应修改，而不必重新训练ai模型。根据电路设计需要，同一个参数化模型对应的ai模型可以在电路中同时使用一个或多个，每个ai模型的输入变量值可以相同也可以不同。
17.s4:根据ai网络中每个ai模型预测生成各电子元件的s参数网络，最终获得综合网络参数；具体是：
18.由于ai网络中每个ai模型会根据输入变量生成一个s参数，将ai网络中所有网络参数采用数学方法计算得到综合网络参数。
19.作为优选，所述数学方法采用微波网络综合方法。
20.所述优化过程具体是将仿真过程中综合网络参数与模拟器件的网络参数目标对比是否落在阈值范围内，如果在阈值范围内，则将ai网络对应的等效电路输出到三维全波电磁场仿真工具中进行仿真。如果不在阈值范围内，则采用优化算法重新设定等效电路中所有或部分库单元中输入变量的值，重新进行预仿真过程，直到综合网络参数满足优化要求。
21.本发明的另一个目的是提供一种模拟电路的仿真优化系统，包括：
22.预仿真模块，用于根据实际需求将采用多个库单元中参数化模型生成的电路版图进行连接，搭建成模拟器件的等效电路；根据模拟器件的等效电路中各库单元中参数化模型的电路版图的相交关系确定对应各库单元中参数化模型的相互连接或断开，并生成描述多个库单元的电路版图互连关系网表文件；根据ai网络中每个ai模型预测生成各电子元件的s参数网络，最终获得综合网络参数；
23.优化模块，将预仿真模块输出的综合网络参数与模拟器件的网络参数目标进行对比，如果在阈值范围内，则将ai网络对应的等效电路输出到三维全波电磁场仿真工具中进行仿真。如果不在阈值范围内，则采用优化算法重新设定等效电路中所有或部分库单元中输入变量的值，然后返回至预仿真模块进行预仿真，直到综合网络参数满足优化要求。
24.本发明的有益效果为：
25.(1)本发明采用ai模型替代pdk单元模型，可以实现任意结构的非标准化电路模型的建模，实现电路结果的快速预测并且保证较高的精度，可以快速搭建任意结构的复杂电路，而不必重新训练ai模型，有效提高使用效率。
26.(2)本发明采用ai模型结合优化算法，可以快速实现电路性能的优化，提高电路设计效率，给三维全波电磁场仿真寻找一个较优的初始值，极大减少仿真时间。
27.(3)本发明采用ai模型可以快速实现不同工艺下的器件建模，并可以将一个工艺下的器件库模型快速迁移到其它工艺。
附图说明
28.图1为模拟器件快速仿真优化方法的流程图；
具体实施方式
29.为了更加清楚地说明本发明解决的问题、采用的技术方案和有益效果，下面结合图示说明本发明的具体实施方式，这里所描述的优选实施例子仅用于说明和解释本发明，并不用以限制本发明，凡是在本发明的精神和原则之内所做的修改、等同替换和改进等，均应在本发明的保护范围之内。
30.实施实例1
31.如图1所示，所述模拟器件的快速仿真优化方法包括仿真过程和优化过程。
32.所述仿真过程包括构建器件库、电路搭建、ai网络互连、综合网络参数；
33.步骤s1:构建器件库，器件库包括若干对应不同电子元件的库单元，每个库单元对应一种类型的电子元件；每个库单元内设有参数化模型和对应ai模型，其输入变量为输入变量为电子元件中不同结构的长度、宽度、间距、高度中的一种或多种，即x1、x2
…
xn；
34.所述参数化模型采用计算机编程语言描述的特定器件，用于根据输入变量x1、x2
…
xn利用计算机图形学生成包含电子元器件实际物理尺寸和结构的电路版图，同时修改输入变量x1、x2
…
xn的值可以改变电路版图的结构尺寸。
35.所述ai模型采用深度学习网络，例如全连接神经网络，用于根据与参数化模型相同的输入变量x1、x2
…
xn预测出对应电子元件的网络参数，其中电子元件的网络参数包括散射参数(s参数)、导纳参数(y参数)、阻抗参数(z参数)中的一种。
36.步骤s2:电路搭建
37.根据实际需求将采用多个相同类型电子元件或不同类型电子元件的库单元中参数化模型生成的电路版图进行连接，搭建成模拟器件的等效电路；所述相同类型电子元件的库单元的输入变量类型相同或不同；当所述相同类型电子元件的库单元的输入变量类型相同时，其值相同或不同。
38.s3:ai网络互连：
39.根据模拟器件的等效电路中各库单元中参数化模型的电路版图的相交关系，确定对应各库单元中参数化模型的相互连接或断开，并生成描述多个库单元的电路版图互连关系网表文件。所述网表文件中描述的多个库单元的电路版图互连关系是指将每个电路版图对应的ai模型互相连接，构成模拟器件的等效电路对应的ai网络。
40.该ai网络根据电路中参数化模型的增加、删除、改变连接方式，同步进行相应修改，而不必重新训练ai模型。根据电路设计需要，同一个参数化模型对应的ai模型可以在电路中同时使用一个或多个，每个ai模型的输入变量值可以相同也可以不同。
41.s4:根据ai网络中每个ai模型预测生成各电子元件的s参数网络，最终获得综合网络参数；具体是：
42.由于ai网络中每个ai模型会根据输入变量x1、x2
…
xn生成一个s参数，将ai网络中所有网络参数采用微波网络综合方法计算得到综合网络参数，输出为网络参数曲线显示，或者作为一个数据文件导出。
43.所述优化过程具体是将仿真过程中综合网络参数与模拟器件的网络参数目标对
比是否落在阈值范围内，如果在阈值范围内，则将ai网络对应的等效电路输出到三维全波电磁场仿真工具中进行仿真。如果不在阈值范围内，则采用优化算法重新设定等效电路中所有或部分库单元中输入变量的值，重新进行预仿真过程，直到综合网络参数满足优化要求。
44.上述实施例并非是对于本发明的限制，本发明并非仅限于上述实施例，只要符合本发明要求，均属于本发明的保护范围。