机器学习辅助的宽带S参数频域外推方法
《IEEE Transactions on Microwave Theory and Techniques》:Machine Learning-Assisted Broadband S-Parameter Frequency-Domain Extrapolation Method
【字体:
大
中
小
】
时间:2025年12月12日
来源:IEEE Transactions on Microwave Theory and Techniques 4.5
编辑推荐:
工艺设计套件中宽带S参数外推面临测量带宽和计算成本挑战,本文提出基于MH-CNN-LSTM-TL模型的机器学习方法,通过迁移学习整合电路仿真数据,实现多分支并行外推,验证于微带线和TSV-RDL结构,有效提升高频预测精度和泛化能力。
摘要:
在工艺设计套件(PDK)开发的背景下,获取互连结构的准确宽带参数常常受到测量带宽限制和宽频电磁(EM)仿真高计算成本的挑战。为了解决这些限制,本文提出了一种基于机器学习(ML)的频域外推方法。与依赖物理建模或仅关注局部频谱模式的传统方法不同,所提出的多头卷积神经网络-长短期记忆网络迁移学习(MH-CNN-LSTM-TL)模型建立了低频和高频响应之间的非线性映射,并将几何参数作为辅助输入,以实现高频参数的准确外推。该模型采用多分支架构,能够并行外推多个参数的频率响应。为了降低EM仿真数据采集的高成本,引入了从电路仿真数据到EM仿真数据的迁移学习策略,这显著提高了在小样本条件下的泛化能力并减少了计算开销。通过三个代表性仿真案例评估了该方法的有效性:一个案例针对微带线,另外两个案例针对带有再分布层(RDL)的复杂硅通孔(TSV)互连结构,并通过差分微带线的实验数据进行了验证。结果表明,该方法在宽频范围内具有出色的预测精度,以及很强的适应性和泛化能力,凸显了其在实际工程应用中的潜力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号