一种基于等效电路空间映射的片上滤波器逆向设计方法

1.本发明涉及射频集成电路技术领域，具体涉及一种基于等效电路空间映射的cmos毫米波片上滤波器逆向设计方法。


背景技术：

2.人工神经网络(artificial neural networks,ann)模拟人大脑神经元的处理方式，是由大量的单元连接而成的能够描述复杂系统非线性关系的网络结构。ann模型通过训练可以学习系统的非线性关系，在射频与微波电路领域中，器件响应与器件的尺寸结构之间具有较强的非线性关系，利用ann描述这种非线性关系在毫米波集成电路器件设计中已经得到应用。在传统的毫米波无源器件设计流程中，通常通过正向优化结构参数方法，获得性能最佳的拓扑结构，最原始的ann用于器件设计中时，也是通过输入结构参数，输出性能参数。为了根据设计指标实现器件的自动化设计，将性能参数作为ann模型的输入，输出为结构参数，这一过程称为逆向设计。逆向设计可以显著缩短集成电路器件的设计时间，但通常需要将性能参数离散化作为ann模型的输入，这会导致设计结果的不精确性；因为在毫米波频段，片上系统的寄生效应复杂，离散化的性能参数难免会对复杂寄生效应的描述不充分。
3.文献“inverse artificial neural network for multiobjective antenna design”中公开了一种天线的逆向设计方法。该方法将天线的目标作为ann的输入，目标包括天线的散射参数、增益和方向图。这种多目标的输入向量保证了最终反向设计结果的精确性与可靠性，但所有的目标参数都要进行离散化处理，导致神经网络的规模庞大，显著增加训练时间，同时会遗漏未采样频点的天线性能。因此该方法适用于窄带小天线设计，对于毫米波频段的片上天线而言，该方法耗费较多的时间成本。
4.除了采用性能参数作为ann的输入实现逆向建模，人们提出了空间映射的方法。文献“an efficient artificial neural network model for inverse design of metasurfaces”公开了一种基于传递函数的ann逆建模方法，该方法通过将微波器件的性能参数映射到传递函数，再通过训练ann学习传递函数和结构参数之间的非线性关系，该方法解决了逆向设计中的非唯一性问题，但这种基于极点残差的传递函数需要其它方法提取，因此获取数据集的过程非常复杂，同时该方法并不会对所有无源器件都适用。
5.文献“dual-band fss inverse design using ann with cognition-driven sampling”中公开了一种基于认知驱动的ann逆建模方法，认知驱动能力是通过先验知识的积累具备的，通过认知驱动对散射参数进行采样，有效的降低了ann的规模，但这种方法在毫米波片上系统中不具有较高的精确性，因为在未采样的频点，极容易存在寄生效应，基于认知驱动的离散化采样方法未能覆盖cmos片上滤波器的全频带特性。


技术实现要素：

6.本发明的目的是克服上述现有技术的缺陷，利用ann逆向设计技术，进行片上毫米
波带通滤波器快速设计，同时采用等效电路空间映射的方法，避免了直接训练离散化的散射参数，减少了从性能参数到结构参数之间映射的非线性，提高了设计精度，并且降低了ann的训练规模，提供一种基于ann的cmos毫米波片上无源结构的逆向设计方法。
7.本发明所提出的技术问题是这样解决的：
8.一种基于等效电路空间映射的cmos毫米波片上滤波器逆向设计方法,包括以下步骤：
9.步骤1.利用电路仿真和全波电磁仿真获得训练、验证和测试样本数据集；
10.步骤2.将等效电路的元件值作为输入向量，将cmos毫米波片上滤波器的几何尺寸作为输出向量，使用训练集数据对人工神经网络进行训练，使用验证集数据进行验证，直到满足设定的验证误差，即可停止训练；
11.步骤3.根据片上滤波器结构的对称性，建立奇、偶模等效电路模型，并根据奇、偶模理论对片上滤波器结构进行正向推导分析，散射参数满足如下等式：
[0012][0013][0014]
其中，s
11
为回波损耗，s
21
为插入损耗，y0为本征导纳，y
even
为偶模导纳，y
odd
为奇模导纳。
[0015]
步骤4.将奇、偶模导纳用本征导纳和散射参数表示，并根据奇、偶模等效电路分析，将奇、偶模导纳用等效电路元件表示，从而建立散射参数与等效电路元件值之间的映射关系；
[0016]
步骤5.确定片上滤波器的性能参数的目标范围，包括中心工作频率、插入损耗、回波损耗、传输零点、带外抑制和3db带宽；
[0017]
步骤6.通过认知驱动方法提取频带内某一频率的散射参数，并将该散射参数值代入散射参数与等效电路元件值的映射关系中，实现等效电路元件初值的提取；
[0018]
步骤7.通过电路调谐对等效电路元件初值进行调整以满足设计指标；
[0019]
步骤8.将调谐后的等效电路元件值作为训练好的神经网络的输入部分，并对神经网络进行测试。
[0020]
进一步的，步骤2中的数据集的获取过程中，首先通过全波电磁仿真与参数化扫描得到足够的数据集的输出部分，并通过电路仿真得到对应于每一组输出的等效电路元件值作为数据集的输入部分。
[0021]
进一步的，步骤3中的奇、偶模等效电路模型包含对传输线部分的电磁特性的描述，包含对滤波特性的描述，也包含对金属信号线与衬底之间耦合效应的描述。
[0022]
进一步的，步骤4具体为：
[0023]
用本征导纳和散射参数表示奇、偶模导纳的解析形式为：
[0024]
[0025][0026]
对奇、偶模导纳与等效电路元件建立相应的解析表达式：
[0027][0028][0029][0030]
式中，ω
tz
表示传输零点的角频率，ω＝2πf表示工作中心角频率，f表示中心工作频率；r1表示传输线电阻，l2表示传输线电感，l1和c1表示由cmos工艺中多层金属层引入的传输零点电感和电容，c2表示金属层和有耗硅衬底之间的耦合电容，l3表示金属传输线的电感，j为虚数单位；r1、l2和c2直接通过电路仿真确定；
[0031]
通过(12)-(16)式，建立散射参数与等效电路元件之间的映射关系：
[0032][0033][0034][0035][0036]
其中，由于片上滤波器模型的传输线部分是固定不变的，所以等效电路元件r1、l2和c2可通过电路仿真被确定，至此，建立起了性能参数和元件值的映射关系。
[0037]
进一步的，步骤6中认知驱动方法提取的值为设计指标的中心频率处的散射参数，原因在于中心频率的散射参数最能反映片上滤波器的电磁传输特性。
[0038]
本发明的有益效果是：
[0039]
本发明巧妙地对传统的奇、偶模理论进行变换，得到等效电路元件初值的提取方法，并在此基础上进行电路调谐，得到满足指标要求的电路元件值。将电路元件值作为ann的输入，与将性能参数离散化后的值作为ann的输入相比，潜在地避免了对片上寄生效应的遗漏，同时降低了ann的训练成本。
[0040]
本发明能够根据设计要求，完成cmos毫米波片上滤波器的逆向设计，设计中通过
0.1和0.9 j0.1，代入如下公式，进行计算并进行电路调谐，元件符号对应于图4和图5：
[0065][0066][0067][0068][0069]
步骤6.将调谐后满足设计要求的等效电路元件代入训练好的ann模型中得到对应的结构参数，并根据结构参数进行仿真验证，图8展示了等效电路元件计算结果和利用全波电磁仿真软件对神经网络输出参数的验证结果的对比图。
[0070]
步骤7.将人为设计优化的结果与逆向建模的结果进行比较，对比结果如图9所示。图9中给出了人为正向设计优化得到的性能结果和采用ann方法逆向设计的性能结果的对比图，二者具有很好的一致性，但ann逆向设计方法避免了在正向优化中对时间的耗费。