AI可以设计微波集成电路，天线，滤波器？！
品慧电子讯在论文预发表平台上发布的一篇文章称，由创天科技、清华大学、西安电子科技大学和杭州电子科技大学联合提出了一种新的神经网络架构Relational Induction Neural Network（RINN），可以让人工智能（AI）自行设计微波集成电路。目前，这篇论文正在接受《Nature Communications》的评审。
论文介绍称，这个全新的神经网络架构名叫“关系归纳神经网络”，它能够总结和归纳微波集成电路内在的电磁规律，并自己学会设计和调试。论文给出的结果显示，该神经网络设计微波集成电路的水平堪比人类专业工程师。
相信看到这里业界的朋友们会和当初小编一样吃惊。正如论文里披露，创天科技表示虽然Google AlphaGo已经是AI的里程碑，但下围棋与微波集成电路相比，仍然是一个非常简单的问题，因为微波集成电路（MWIC）的解空间更大，结构也更为复杂，因此实现其自动设计一直以来都被视为人工智能领域的一大难题。
微波集成电路是在电路板上采用特定的工艺制造大量高精度微米纳米级的电路，电路之间存在复杂的电磁效应，微观下的微小的扰动往往会带来宏观特性的巨大差异。围棋的动作空间约为10-250，集成电路的状态空间超过10-10000。
微波集成电路是人类工程师的智力劳动，是智慧、经验和直觉碰撞出的产物。对于工程师来说，设计过程需要利用计算机辅助设计工具发现问题、解决问题进而寻找最优解决方案，这个过程繁琐而枯燥，需要通过综合各种方案分析、设计、优化去逼近最优解决方案。因此，如何使人类工程师彻底摆脱这项繁琐的优化设计工作，是一项非常有意义的挑战。
AI是如何设计微波集成电路
AI能学会设计集成电路，靠的是一个“基于聚类和异步的优势行动者评论家算法模型”。文章介绍道，该模型包含两部分——聚类算法和强化学习神经网络模型。其中，聚类算法用来对网格化的集成电路的设计动作进行划分，即将集成电路的多个设计动作聚成几个典型的动作类，类似于经验丰富的集成电路模型设计师对模型的参数化设置；强化学习模型则基于聚类算法划分的典型动作簇作为策略网络输出的动作类别，预测当前集成电路模型的设计动作，然后再由价值网络评估该设计动作的好坏，以找出最优策略，从而达到自动设计微波集成电路的技术功效。
“我们设计了一个称为关系归纳神经网络的架构，它可以快速有效地学习集成电路内部数据之间的规律，从而达到设计任意复杂集成电路的目的。”研究人员表示，在其方案中，集成电路形状被定义为一组参数化网格，当每个网格发生变化时，由标准的CAE软件包计算出结果，然后使用聚类算法对这些结果的变化进行分类，最后交由强化学习神经网络进行决策。
图1：RINN架构。a, 聚类算法的数据集，即网格模型的S参数变化矩阵。B，聚类算法。C、网格化的模型和S参数矩阵训练深度强化学习模型。d，以c为输入，以动作的概率向量π和价值标量v为输出的深度强化学习模型。
基于关系归纳神经网络的微波集成电路模型设计框架如图1所示，其包含两部分：聚类算法（图1b）和强化学习神经网络模型（图1d）。在本框架中，聚类算法用来对网格化的集成电路的设计动作进行划分，即对集成电路的多个设计动作聚成几个典型的动作类，类似于经验丰富的集成电路模型设计师对模型的参数化设置；强化学习模型（采用A3C算法）基于聚类算法划分的典型动作簇作为策略网络输出的动作类别，预测当前集成电路模型的设计动作，然后再由价值网络评估该设计动作的好坏，以找出最优策略，从而达到自动设计微波集成电路的技术能力。
基于AI设计滤波器、天线案例分析
论文中针对微波传输线电路、滤波器电路、天线电路自动设计的不同方面进行的几项综合研究已经取得成功，下面我们来一起看看论文中的2个研究案例。
1.基于RINN 进行滤波器设计
为了考验RINN 滤波器设计的能力，研究者采用了四种滤波器设计任务，其中心频率分别是9.3GHz、11.5GHz、7.55GHz 和6.95GHz，但是第四个滤波器的长度和宽度限制在5mm*5mm。具体设计任务见表1，具体设计方案见图2。
表1：四种滤波器设计任务
图2 | 滤波器的聚类 可视化结果。a）滤波器模型。b-d）设计好的滤波器模型的表面电流密度分布、电场分布和磁场分布。e）网状模型（meshed model）。f-j）设计好的滤波器上的典型动作集群（action cluster）可视化结果。k-o）典型动作集群的可微S 11 曲线。
AI从零开始学习如何在不知道设计规则的前提下设计MWIC 模型。通过观察AI设计过滤器的动作，我们发现AI实际上已经学会了类似于工程师的动作。为了降低通带回波损耗并增加滤波器的插入损耗，第一项任务的AI学会了逐步调整当前频率下谐振器之间的耦合系数，其设计过程如图3（a-c）所示。
第二项任务和第三项任务的AI首先学会调整谐振器的长度，以达到移动中心频率的目的，然后调整谐振器之间的耦合系数，以减少通带回波损耗，增加插入损耗，其设计过程如图3（d-i）所示。
图3 | 基于RINN 架构的滤波器设计流程。a-c）第一个任务的优化滤波器模型，及其回波损耗（S_11）和插入损耗（S_21）变化图。d-f）、g-i）、j-l）分别是第二、三、四个任务的优化滤波器模型、回波损耗（S_11）变化图和插入损耗（S_21）变化图。m）四个任务的学习曲线。智能体的学习速度与设计任务的复杂度相关，设计任务越复杂，智能体的学习速度越慢。
2.基于RINN 进行天线设计
为了进一步证明RINN 架构的设计能力，研究人员尝试用它来设计天线。如图4、图5 所示，RINN 训练的智能体在没有任何人类知识的情况下成功地捕捉了天线的主要特征，并学会了在设计天线时执行一系列的正确动作，这些动作能简洁地表达引起他们观察的因果关系。智能体基于学习的策略成功地设计出了三种不同频率的天线模型。从设计天线的过程中，可以看到辐射贴片主要影响中心频率，而馈线主要影响输入阻抗。这些结果都与矩形贴片天线的理论以及电磁场分布一致。
图4：天线的聚类可视化结果。a，天线模型。b，表面电流密度分布。c，磁场分布。d，电场分布。e，Meshed模型。f-j，网格顶点聚类的可视化结果。
图5：a-c）三种天线模型，其中心频率分别为8.5GHz、6.15GHz 和7.35GHz，由智能体设计。d-f）观察智能体根据回波损耗曲线（S11）的变化设计天线的过程。g）所有天线的增益模式。h）三种天线模型的学习曲线。
AI与人类专业工程师设计对比
通过对人类工程师设计的集成电路模型与AI设计的集成电路模型的对比，在9.1GHz 的中心频率和1.2GHz 的带宽下，6阶滤波器的反射损耗小于-15dB，插入损耗大于-1dB；第二，一个贴片天线中心频率为7.35 GHz 时，其增益大于3dB。从图6 中对比的人类工程师和AI 设计的MWIC 模型中可以看出，人类工程师设计的模型更加规则，并且参数数量有限。AI设计的电路是不规则的，参数多，自由度高，形状更趋近于自然形成。实际上，AI能够学习抽象出影响电路性能的关键参数，并掌握各种各样的设计任务。因此，AI仅接收网格化电路模型和S参数矩阵作为其输入就能够达到与专业工程师相当的水平。
图6：AI与人类专业工程师设计对比。a）由工程师设计的滤波器模型。b）由AI设计的滤波器模型。c）a 的回波损耗曲线（S11）和插入损耗曲线（S21），以及b 的回波损耗曲线（S11）和插入损耗曲线（S21）。d）由工程师设计的贴片天线模型。e）由AI设计的贴片天线模型。f）a 和b 的7.35 GHz 增益曲线。
对未来的工业自动化设计的意义
这项研究首次展示使用深度强化学习方法（不依赖人类经验）训练智能体来探索MWIC 设计，填补了这方面的空白。通过训练或学习，自动归纳微波集成电路内部结构之间的关系。值得注意的是，智能体自行归纳和总结的规律在电路的结构原理和电磁场原理等方面是可解释的。研究工作跨越了人工智能和集成电路之间的鸿沟，未来还可用于训练其它领域的智能体（如机械波、力学和其他），为未来的自动化设计指明了方向。
