一种基于人工智能的电磁仿真方法及其电磁大脑与流程

本发明属于电磁仿真技术领域，涉及一种基于人工智能的电磁仿真方法及其电磁大脑。

背景技术：

由无线通信、移动便携式及物联网等带动的第3次信息浪潮，无线及移动便携式通讯是其根本性特征，而射频集成电路是其最关键性的核心技术。现代高速无线通信的核心基础硬件是射频集成电路芯片，随着信息社会进入5G通信和云计算时代，射频集成电路芯片的市场需求今后将持续快速增长，这就提高了对射频电路设计和仿真软件的需求。

文献1(出自C.C.Weng,J.J.Li,Overview of Large-Scale Computing:The Past,the Present,and the Future,Proceedings of the IEEE,vol.101,no.2,pp.227-241,2013)指出虽然越来越多的高效全波电磁仿真算法被提出，但是存在一个普遍的问题，即算法计算量仍巨大，计算时间很慢，内存开销巨大。

随着人工智能算法的快速发展，发掘出人工智能具有自学习、自组织、模拟高度复杂非线性映射的能力，可以使用它来实现电磁场中的计算问题。由于电路的结构复杂，影响电磁计算结果的参数众多，目前已有的方法只把人工智能用于简单的器件建模上。本发明在此基础上实现了跨越，通过把电路结构离散成小单元，并进一步把影响电磁结果的三类参数放到三个矩阵中，实现了把人工智能应用于电磁仿真上，首次提出电磁大脑这一基于人工智能的电磁仿真方法。

技术实现要素：

本发明的目的是针对现有技术的不足，提供一种由人工智能算法经过深度学习后，可以在不经过严格的全波电磁场数值仿真的情况下，得到与精确电磁仿真相近的结果，即使用人工智能算法对电磁仿真的结果进行监督式学习，从而训练出一个可以对电路进行电磁分析的电磁大脑。

为了实现上述目的，本发明电磁大脑系统包括：离线训练模块和超高效电磁分析模块。

离线训练模块将从数据服务器获取的训练数据集，导入到卷积神经网络进行离线训练，训练完成保存最优的神经网络的权值和偏置参数集合，用以提供预测新结构的散射S参数。训练数据集包括几何、物理、激励信息数据和散射S参数数据，其中散射S参数通过几何、物理、激励三类数据经全波电磁计算求解器计算获取得到。

超高效电磁分析模块将待测电子器件的几何、物理、激励数据加入到训练好的卷积神经网络，进行电磁性能分析，得到散射S参数结果。

本发明方法包括以下步骤：

步骤(1)、数据服务器工程结构数据库中，取出工程结构所对应的几何、物理、激励三类数据放入全波电磁计算求解器中，可得到该工程结构对应的S参数信息。

所述的几何数据为工程结构经剖分程序离散分成的面元或体元的几何坐标；物理数据为每一个面元或体元所在物体的电导率、磁导率、介电常数等；激励数据为每一个面元或体元上所施加的激励信号。

步骤(2)、把步骤(1)获取的几何、物理、激励以及S参数信息组成训练数据集，然后导入卷积神经网络(CNN，Convolutional Neural Networks)，进行离线训练。

2.1将物理信息、几何信息、激励信息三个矩阵数据传递到第一个卷积层中，卷积后以激活图形式输出。在卷积层中过滤后的特征会被输出，并传递下去。每个过滤器都会给出不同的特征，用以帮助进行正确的预测。

2.2卷积层输出的激活图加入池化层，进一步减少参数的维度，得到特征映射图。

2.3数据经过上述多个卷积层和池化层，卷积层会帮助提取特征，越深的卷积神经网络会提取越具体的特征，越浅的网络提取越浅显的特征。

2.4最后将池化层的输出输入到全连接层，采用ReLu激活函数输出到输出层，其中采用dropout处理方式输出。卷积神经网络中的输出层是全连接层，来自其他层的信息在这里被平化和发送。

训练完成保存最优的神经网络的权值和偏置参数集合用以提供预测新结构的散射S参数。

步骤(3)、将待分析的新型结构电子器件加入到数据服务器中，无需再使用计算速度缓慢的全波电磁仿真方法，而以几何、物理、激励作为输入，以散射S参数作为输出，使用步骤(2)训练好的卷积神经网络进行电磁性能分析，得到对应的散射S参数结果。

与现有技术相比，本发明的有益效果：

1.与现有的全波电磁仿真软件相比，本发明一旦完成卷积神经网络训练，就无需依靠全波电磁场求解器就能得到仿真结果，所以在计算效率上比现有软件提高千倍以上。

2.本发明的所需的S参数训练数据来源于全波电磁场求解器，所以预测的S参数结果精度高。

3.本发明完成训练后得到的最优神经网络的权值和偏置参数集合可直接移植于其他服务器，而无需再经过训练，就可以进行电磁分析。

附图说明

图1为基于人工智能的电磁仿真方法总体结构图；

图2为产生用于卷积神经网络所需的S参数的方法；

图3为卷积神经网络结构示意图；

图4为训练流程图；

图5为ADS仿真和电磁大脑仿真的S参数结果对比图；其中(a)为S参数的幅度对比；(b)S参数的相位对比。

具体实施方式

下面结合附图和实施案例对本技术作进一步详细说明。

如图1所示，本发明基于人工智能的电磁仿真系统，包括：离线训练模块和超高效电磁分析模块。

离线训练模块将从数据服务器获取的训练数据集，导入到卷积神经网络进行离线训练，训练完成保存最优的神经网络的权值和偏置参数集合，用以提供预测新结构的散射S参数。训练数据集包括几何、物理、激励信息数据和散射S参数数据，其中散射S参数通过几何、物理、激励三类数据经全波电磁计算求解器计算获取得到。

超高效电磁分析模块使用训练好的卷积神经网络进行电磁性能分析，得到散射S参数结果。

如图2所示，为产生用于卷积神经网络所需的S参数的方法。把数据服务器中的工程结构数据库中，取出工程结构所对应的几何、物理、激励三类数据放入全波电磁计算求解器中，可得到该工程对应的S参数信息。对工程结构数据库中的大量工程结构进行全波电磁计算，其几何、物理、激励以及电磁求解出的S参数信息组成图1离线训练模块的训练数据集。

如图3所示，采用卷积神经网络进行深度学习。将网格剖分后对应的三个矩阵数据(分别对应于物理信息、几何信息和激励信息)，传递到第一个卷积层中，卷积后以激活图形式输出。(每一个剖分网格可类比于图像识别中的像素点，三个网格矩阵数据类比于像素点的红绿蓝三原色矩阵)在卷积层中过滤后的特征会被输出，并传递下去。每个过滤器都会给出不同的特征，用以帮助进行正确的预测。随后加入池化层进一步减少参数的维度。数据会经过多个卷积和池化层，卷积层会帮助提取特征，越深的卷积神经网络会提取越具体的特征，越浅的网络提取越浅显的特征。卷积神经网络中的输出层是全连接层，来自其他层的信息在这里被平化和发送，将输出转换为网络所需的参数，随后输出层产生输出S参数。损失函数是全连接输出层计算的均方根误差，我们会计算梯度误差，误差会进行反向传播，用以不断改进过滤器(权重)和偏差值。一次训练周期由单次正向和反向传递完成。具体步骤如下：

3.1将网格剖分后包含物理信息的数据矩阵，几何信息的数据矩阵，激励信息的数据矩阵作为卷积神经网络输入，电磁仿真计算引擎产生的散射S参数矩阵作为卷积神经网络正向输出。输入数据和输出数据进行线性归一化处理如式(1)所示，将数据映射到[-1,1]范围内。可以有效地防止“梯度弥散”，加速网络训练。X为矩阵元素，Xmin、Xmax为原始矩阵数据最小与最大值，为归一化后的矩阵元素，分别为归一化后的最小值-1与最大值1。

3.2以输入数据作为卷积层1的输入进行卷积处理得到特征图，再通过ReLu(修正线性单元)激活函数得到特征映射激活图1；该特征映射激活图1再经过池化层1的池化降采样处理，采用的是最大池化处理方法，得到特征映射图1；该特征映射图1作为卷积层2的输入，通过ReLu激活函数得到特征映射激活图2；该特征映射激活图2经过池化层2的池化降采样处理，采用的是最大池化处理方法，得到特征映射图2。将池化层2的输出输入到全连接层，采用ReLu激活函数输出到输出层，其中采用dropout处理方式输出。

其中卷积处理类似滤波器即用一个小特征矩阵也叫卷积核，在物理数据、几何数据矩阵、激励数据矩阵上滑动，对应位置上元素相乘，再把结果相加，最后相加的结果形成新的矩阵，即完成了对原始矩阵的卷积映射变换，特征提取。Relu函数公式如下：f(x)＝max(0,x)。dropout方法是在训练过程中，对于神经网络单元，按照0.5的概率将其暂时从网络中丢弃，为了防止过拟合。

特征映射激活图1h(1)i,j＝relu((W(1)*Xi,j)+b(1))，其中卷积层1输出h(1)i,j,激活函数relu，卷积层1的权值W(1),输入数据Xi,j，卷积层1的偏置b(1)。

特征映射激活图2h(2)i,j＝relu((W(2)*h(1)i,j)+b(2))，其中卷积层2输出h(2)i,j,激活函数relu，卷积层2的权值W(2)，卷积层2的偏置b(2)。

神经网络的输出yi,j＝relu(W(3)h(2)i,j+b(3))，其中全连接输出层输出yi,j,激活函数relu，全连接层的权值W(3)，全连接层的偏置b(3)。

3.3训练过程中采用Adam优化算法使用迭代次数与延迟因子对梯度均值和梯度平方均值进行矫正，加速学习速度和效率，如图4所示。算法过程如下：(1)设置学习率基数α＝0.001，延迟因子β1＝0.9，β2＝0.999，ε＝10^-8。(2)初始化：令偏置和权值矩阵θ0为均值为0、方差很小的随机矩阵，m0＝0，v0＝0，迭代次数t＝0。f(θ)为卷积神经网络输出即如上3.2输出层的输出和电磁仿真计算产生的散射S参数矩阵的均方误差。均方误差(mean-square error，MSE)公式如式(3)，K是输出层输出矩阵的行数，N是输出层输出矩阵的列数。yi,j表示神经网络的输出，di,j是电磁仿真计算产生的散射S参数。

若均方误差f(θ)≥1e^-8，迭代次数t＝t+1

计算目标函数在θt-1时的梯度：

估算梯度均值：mt＝β1·mt-1+(1-β1)·gt

估算梯度平方均值：vt＝β2·vt-1+(1-β2)·gt²

考虑迭代次数对梯度均值进行矫正：

考虑迭代次数对梯度平方均值进行矫正：

更新权值和偏置：直到满足均方误差要求f(θ)<1e^-8，保存权值和偏置θt。图3所示的内容对应于图1框图中的卷积神经网络生成参数集内容。

如图5所示为图1框图中一个具体的工程设计应用卷积神经网络生成参数集进行电磁分析，得到的S参数结果，即超高效电磁分析模块。以螺旋电感为实例，基于全波电磁仿真的ADS软件的仿真结果与本发明所使用的CNN方法进行对比，幅值和相位的均方误差为4.62×10^-5，非常接近。

在计算时间上，ADS计算一种固定结构的螺旋电感需要数分钟，如果需要计算几百种不同结构的螺旋电感则需要数小时甚至数天。而本发明在优化完权值和偏置后就无需依靠全波电磁仿真软件，所以即使仿真几百种不同结构的螺旋电感，亦只需要几秒钟。因此，本发明大大提高了电磁分析的效率。

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。