一种集成电路微带线传输线自动化分析设计方法

1.本发明涉及微波信号传输技术，尤其涉及一种基于深度学习技术的微带线传输线（microstrip transmission line，mtl）分析与综合方法（analysis and synthesis），属于集成电路设计自动化（electronicdesign automation）技术领域。


背景技术：

2.微带线是一种可以传输微波信号的常见传输线，广泛用于现代微波集成电路和高速数字 pcb 设计。微带线由构建在电介质绝缘层上平行于接地平面的扁平金属导体组成。通过改变导体的长度、宽度和电介质的介电常数等电学和几何参数，微带线可以实现不同的传输特性，用作微波无源元件、集总微带元件和封装中的传输介质。
3.关于微带线的研究工作可以分为分析和综合技术。分析的目标是在给定电学和几何参数的情况下模拟微带线的特征阻抗、传播常数和其他特性参数。以往的微带线分析工作可以分为三种。第一种严格模拟依靠数值方法来精确计算特性参数，但非常耗时。这一类严格电磁仿真工具包括芯和公司开发的传输线仿真工具（tmlexpert, transmission line expert），安世亚太（ansys）公司开发的高频结构仿真（hfss, high frequency structure simulator）等。为了加速分析，第二种方法包括很多近似表达式，但这些方法往往仅对特定结构成立，局限性较强。为了平衡准确性、效率和通用性，出现了第三种基于机器学习的方法，根据严格模拟的结果训练替代模型。给定微带线的电学和几何参数，第三种方法采用的替代模型可以快速准确地预测对应的特性参数。
4.综合技术可以看作是分析的逆过程，旨在根据给定的目标特性参数，也称为设计规范（design specification），反推出符合条件的微带线电学和几何参数。现有综合方法可以分为两种。一种是根据微带线特性参数的闭式解析表达式或替代模型迭代优化设计参数，这种方法往往精确度较高，但是比较耗时，并且适用的设计空间不够大，难以处理复杂结构。另一种是端到端深度学习算法，可以在给定设计规范的情况下直接预测需要设计的参数，避免了耗时的迭代优化，但往往精确度不高，并且微带线结构越复杂效果越差。
5.但是上述现有综合方法仍然存在一定缺陷。首先，电路设计者对结果的质量要求非常高，往往追求设计参数对应的特性参数与设计规范极度匹配（《0.5% 相对误差）。 其次，设计者往往希望根据某些先验知识对设计参数施加设计约束，例如限制某些参数的范围，偏置某些特性参数。最后，大多数方法都只关注简单的微带线结构，如单端微带线，而没有在复杂的结构（比如差分传输线，耦合微带线组成的波导等）下进行验证。
6.因此，现有技术尚缺乏一种能够精确地满足设计规范和设计约束，并适用于复杂微带线结构的微带线分析和综合算法，难以有效支持微波集成电路的自动化设计。


技术实现要素：

7.为了克服上述现有技术的不足，本发明提出了一种集成电路微带线传输线自动化分析设计方法，是一种基于深度学习技术的微带线传输线分析和综合的方法。该方法结合
了深度生成模型和基于神经网络的替代模型，可以在给定设计规范和设计约束的情况下，设计大量可行的微带线电学和几何参数。经过严格模拟工具验证，该方法可以准确高效地预测微带线特征阻抗，并在短时间内提供多组可行的设计参数，特征阻抗精度》99.6%。
8.本发明提出的方法如下：一种集成电路微带线传输线自动化分析设计方法，基于深度学习技术进行微带线分析和综合。在分析方面，通过创建深度学习神经网络模型作为替代模型，本发明方法可以准确高效地预测微带线特征阻抗。在综合方面，本发明使用基于神经网络的深度生成模型根据设计者需求进行设计参数生成，优化和选择。完整的流程包括模型训练和微带线综合设计两部分，其中模型训练包括如下步骤：1）确定设计空间：根据设计者的需要，明确微带线的有待设计的电学和几何设计参数，以及设计参数的取值范围；2）通过拉丁超立方采样方法，生成初始训练数据和测试数据；3）创建深度学习神经网络微带线分析模型，初始训练模型，并优化模型超参数：创建作为替代模型的深度学习神经网络微带线分析模型（以下简写为微带线分析模型），创建的微带线分析模型需要进行训练才能使用，本发明具体实施时，微带线分析模型使用python编程语言的pytorch框架部署，采用adam优化器训练，结合python编程语言的超参数调优器（optuna 库）进行超参数优化，得到最佳的神经网络分析模型结构；4）设计自适应采样方法对数据进行选择，扩充步骤2）中生成的微带线分析模型的训练数据：在步骤2）中，为了确定微带线分析模型的结构超参数，生成了初始的训练数据集进行初步训练，但这一步得到的分析模型往往预测不够准确。为了提高分析模型的准确度，本发明方法提出了一种自适应采样算法，可以分多次主动选择具有代表性的样本，进行严格模拟，对初始训练数据集进行扩充，以此训练更准确的微带线分析模型。本发明方法中的严格模拟是指利用前述严格电磁仿真工具计算微带线特性参数。
9.该自适应采样过程中，每次都首先根据现有训练数据集（第一次为初始训练数据集，之后为扩充过的训练数据集）训练两类模型：微带线分析模型和微带线交叉验证模型。微带线分析模型是为了预测给定微带线设计参数对应的特性参数，交叉验证模型是为了评估分析模型预测结果的方差，即不确定度。两者的网络结构和超参数与步骤3）中得到的微带线分析模型一致，但是在训练时会分别从训练数据集中选择不同的数据（参考具体实施方式中的采样和训练部分）。接着生成大量随机的候选参数点，对每个候选参数点都利用训练好的微带线分析模型和交叉验证模型进行打分，打分标准包括参数均匀性、目标特性均匀性和分析预测方差。最终选出得分最高的一批参数点进行严格模拟，并将结果加入现有训练数据集中。重复以上过程直至微带线分析模型的分析精度达标或达到重复次数上限。
10.5）构建深度生成模型并进行模型训练和超参数优化：本发明方法构建基于条件变分自编码器的深度生成模型并进行模型训练，训练好的模型可以为待设计的微带线传输线生成多组可行的设计参数。利用步骤4）自适应采样扩充过的训练数据集，基于pytorch框架训练深度生成模型，并结合optuna库进行模型超参数优化，得到最终训练好的深度生成模型。
11.创建的深度生成模型中，条件自动编码器分为编码器和解码器两个不同的全连接
神经网络。编码器输入设计参数和对应的特性参数，将其编码成参数数据潜表示，参数数据潜表示服从高斯分布；解码器输入参数数据潜表示和特性参数，输出对应的设计参数。深度生成模型的训练目标是最小化参数数据潜表示分布与标准高斯分布的kl散度，以及最小化解码器输出的设计参数和编码器输入的设计参数之差。
12.6）设计综合方法：在微带线综合时，本方法只需要输入设计目标，包括设计规范（所需要的微带线特性参数）和设计约束。之后步骤5）中训练好的深度生成模型自动生成多组初始设计参数，通过步骤4）中训练好的基于神经网络的微带线分析模型进行基于梯度下降的设计参数优化，并结合梯度投影方法和惩罚函数方法使得设计参数满足设计约束。最后基于步骤4）中得到的微带线模型和交叉验证模型可以评估每组设计参数的可信度，即设计参数对应的真实特性参数和目标特性参数的偏差，选择可信度最高的解作为最终解。
13.综合方法具体包括：61）利用深度生成模型的解码器进行初始设计，生成初始设计参数；深度生成模型的解码器将首先根据给定的设计规范（即所需的微带线特性参数 ）和从标准高斯分布中随机采样的参数数据潜表示生成初始设计参数，一组参数数据潜表示生成一组初始设计参数 ；62）采用基于梯度下降算法的优化设计方法对设计参数进行优化，生成多组可行设计参数解；设计损失函数，再对损失函数求梯度，并利用无约束梯度下降方法更新设计参数以尽量减小该损失，有效降低设计参数对应的特性参数和目标特性参数之间的偏差；在上述无约束梯度下降算法的基础上引入设计约束，分为三类：线性方程、线性不等式和软约束；使设计参数满足三类设计约束；63）根据计算的置信度指标获取最终的设计参数解；为了评估每组设计参数对应的真实特性参数和目标特性参数的接近程度，本发明提出一种度量方式（置信度），置信度指标（degree of confidence）计算预测的特性参数所满足的高斯分布（均值由前述微带线分析模型预测，方差由前述的交叉验证模型评估）和围绕目标特性参数的均匀分布（分布方差由设计者给定）之间的kl散度。最后将所有的设计参数解根据对应的置信度排序，并选出置信度最高的设计参数解作为最终的设计参数。
14.通过上述步骤，可以实现集成电路微带线的分析和综合，得到集成电路微带线传输线自动化分析设计参数。
15.与现有技术相比，本发明的有益效果包括：本发明提供的集成电路微带线传输线自动化分析设计方法，基于深度学习技术进行微带线分析和综合，通过构建深度学习神经网络微带线分析模型作为替代模型，用于准确高效地预测微带线特征阻抗；构建基于神经网络的生成模型用于微带线综合，包括设计参数生成，优化和选择。本发明通过创建定制神经网络作为微带线分析替代模型，相比于现有方法可以更加准确且高效地预测微带线的特性参数，包括特征阻抗、差分阻抗等。本发明通过结合深度生成模型和神经网络替代模型进行设计参数的生成，优化和选择，可以快速提供符合设计目标的设计参数，精度经过严格仿真工具验证，可以达到》99.6%。本发明提出了一种自适应采样算法，可以高效地为神经网络模型的训练提供有代表性的数据，相比于
现有方法大大加速了训练过程。
附图说明
16.图1为本发明方法中进行微带线设计参数采样和模型训练的流程框图。
17.图2为本发明方法中微带线综合方法的流程框图。
18.图3为本发明提出的神经网络微带线分析模型的结构示意图；其中设计参数部分指的是输入的设计参数，包括频率、微带线金属导体宽度和高度等；第一部分为独立学习各个输入设计参数特征的网络；第二部分为预测特性参数的网络；特性参数指输出的微带线特性参数。
19.图4为对单端微带线运用本发明（记为mtld）及现有方法（包括前述迭代优化方法(记为svr）和端到端深度学习方法（记为mlp））的结果，设计目标为特征阻抗zc，未考虑设计约束，纵坐标为设计参数对应的真实特征阻抗和目标特征阻抗相对误差占的百分比。
具体实施方式
20.本发明提出的集成电路微带线传输线自动化分析设计方法包括两部分，采样微带线设计参数和对应特性参数，以此训练微带线分析替代模型（分析方法）和交叉验证模型的过程示意如图1所示，综合方法的流程如图2所示。下面将结合示意图对方法流程中每一部分进行详细、清晰的描述。
21.采样和训练部分：该部分由三个阶段组成。
22.阶段一，创建集成电路微带线传输线分析模型，并进行初始化和超参优化：该阶段首先确定集成电路微带线传输线设计空间，即有待设计的设计参数和相应取值范围，一般而言，这些参数包括微带线金属导体的厚度、长度、宽度和导电参数，电介质的介电常数和厚度，以及多条微带线金属导体之间的距离等。
23.接着通过拉丁超立方采样方法生成设计参数点，具体数量由设计者给定，包括初始训练设计参数和测试设计参数 ，利用严格电磁仿真工具（如tmlexpert，hfss等）计算得到对应的微带线特性参数：初始训练微带线特性参数 和测试微带线特性参数，进而得到初始训练数据集 和测试数据集 。
24.最后创建集成电路微带线分析神经网络模型并初始化训练微带线分析模型。
25.构建深度学习神经网络微带线分析模型和交叉验证模型，两种模型结构具有相同的超参数；为了进行快速的微带线分析，本发明提出了一种神经网络结构，包括处理输入设计参数和预测输出特性参数两个部分，如图3所示。考虑到一组输入设计参数会包括多个分量（如微带线金属导体宽度，高度，介质层厚度等等），而微带线特性参数和这些分量的关系并不一致，因此需要特性化处理。第一部分对输入设计参数的每个分量使用独立的多层感知网络单独提取特征，并输出相同维度（该维度需要通过后续超参数优化得到）的特征向量；第二部分通过求和聚合这些特征向量，并用另一个多层感知网络处理以预测输出特性参数。这一分析模型需要经过有监督学习训练，训练是建立在pytorch框架上，利用adam优化器配合阶跃下降的学习率实现，目标是根据输入的设计参数预测对应的特性参数，并最小化和严格仿真结果之间的误差。该神经网络微带线分析模型的超参数，包括每个多层感
知网络的深度和多层感知网络中各层神经元个数，都需要根据初始训练数据集和测试数据集通过optuna库的超参数优化确定，该步骤还会同时确定网络训练时的学习率等超参数。
26.阶段二，进行自适应采样，主动选择具有代表性的数据，扩充训练数据集，用于提高分析模型的预测准确度：训练上述构建的高精度微带线分析模型需要大量经过严格仿真模拟验证的训练数据，而严格仿真模拟花费计算资源较多，获取标签的成本很高。本发明提出了一种自适应采样算法，目标是分多次主动选择少数具有代表性的训练数据，使得微带线分析模型在达到较高分析精度的同时降低采样开销。每一次采样的具体过程为：首先利用现有训练数据集（第一次采样为初始训练数据集，之后为扩充的训练数据集）根据阶段一的训练方法训练好集成电路微带线分析模型以及交叉验证模型，交叉验证模型的结构超参数与阶段一中构建的微带线分析模型一致。微带线分析模型是利用完整训练数据集训练，交叉验证模型则是根据k折交叉验证规则训练。k折交叉验证规则即将现有训练数据集分为k份，每次取（k-1）份训练，一共可以得到k个交叉验证模型。数值实验表明任意设计参数对应的真实特性参数（即严格仿真结果）与微带线分析模型预测结果的误差基本服从一个均值接近0的高斯分布，分布的标准差与k个交叉验证模型预测结果的标准差接近。
27.接着从阶段一确定的设计空间中使用拉丁超立方算法生成多组候选设计参数 ，对于每组候选设计参数，都计算三个数值：参数距离（即候选设计参数 与现有训练数据集中的设计参数 的最大欧式距离），特性参数预测准确性（k个交叉验证模型给出的微带线特性参数预测结果的标准差）和特性参数均匀性（微带线分析模型预测的特性参数和现有训练数据集中的特性参数 的最大差值），再对全体候选设计参数的三个数值（参数距离、特性参数预测准确性、特性参数均匀性）进行归一化，归一化系数为每一类数值的平均值加标准差。
28.最后的结果经过加权累加后对加权累加得分进行排序。加权的权重为设计者给定，取决于不同设计需求中三个数值的重要程度，默认为全1。每次自适应采样迭代都会选择得分前n（n为设计者给定）的设计参数进行严格仿真，并将结果加入到训练数据集，完成一次迭代。
29.重复以上过程，一旦微带线分析模型在测试数据集上的预测精度提高到特性参数预测精度阈值（设计者设置的预测精度标准）或自适应采样次数达到设置的采样次数上限，就停止采样，得到扩充后的训练数据集。整体而言，这样的采样过程可以有效降低过度采样或采样不足的风险。
30.阶段三，创建并训练深度生成模型，用于为待设计微带线传输线生成可行的设计参数：自适应采样可以提供训练好的微带线分析模型（即替代模型）和扩充后的数据集来训练深度生成模型，并确定其最佳超参数组合，完成采样和训练部分。
31.本发明使用基于条件变分自编码器的深度生成模型以学习训练数据集的潜在数据表示，并在给定未知设计规范（目标特性参数）的情况下生成可行的设计参数。
32.本发明创建的深度生成模型中，条件自动编码器分为编码器和解码器两个不同的全连接神经网络。编码器输入设计参数和对应的特性参数，将其编码成参数数据潜表示，参
中添加正则化项 λ||f(p)|| 以尽量减小该惩罚函数，进而使得最终优化得到的设计参数尽可能满足软约束。其中λ是一个权重，用于调节该软约束的重要程度。
40.步骤三，选择设计参数解：经过上述生成和优化的步骤，将会生成多组可行设计参数解。然而通常设计者只需要一组可行设计参数，为此需要评估这些解并从中进行选择。为了评估每组设计参数对应的真实特性参数和目标特性参数的接近程度，本发明提出了一种度量方式（置信度），置信度指标（degree of confidence）计算预测的特性参数所满足的高斯分布（均值为前述神经网络替代模型预测，方差由前述的交叉验证模型评估）和围绕目标特性参数的均匀分布（分布方差由设计者给定）之间的kl散度。最后将所有的设计参数解根据对应的置信度排序，并选出置信度最高的设计参数解作为最终的设计参数提供给设计者。
41.图4为对单端微带线运用本发明方法及其它现有综合方法（分别为使用全连接网络进行端到端设计的mlp，和利用支持向量机进行迭代设计的svr）的结果，可以看到本发明（mtld）综合得到的设计参数对应的真实特征阻抗与目标特征阻抗的相对偏差远小于其它方法，且误差集中在0%附近。此外，数值实验表明，对单端微带线和耦合微带线构成的波导，本发明方法综合得到的设计参数对应特性参数误差都《0.4%，即综合精度》99.6%，超过其它现有方法。
42.需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。