人工智能和机器学习为传统射频EDA工具增加新能力 留言
Artificial Intelligence and Machine Learning Add New Capabilities to Traditional RF EDA Tools
供稿：Altair、ANSYS、Cadence/AWR、Keysight、MathWorks
基于机器学习的Altair天线设计优化
Altair, Troy, Mich.
Altair公司秉承仿真驱动创新设计的理念，拥有全面的跨学科设计优化软件，包括结构、运动、流体、热、电磁、系统设计和嵌入式系统等，同时提供数据分析和可视化工具。Altair公司的愿景是通过仿真、数据分析及高性能计算来改变决策。
多年来，Altair公司凭借其设计探索工具Altair HyperStudy™，在人工智能(AI)和机器学习(ML)领域处于领先地位。HyperStudy可以自动地、智能地创建和改变设计，管理运算过程，并收集分析数据，然后帮助用户了解数据趋势，进行对比研究，提高产品性能和可靠性。利用HyperStudy的设计探索方法，电磁仿真软件Altair FEKO™将ML应用于天线设计优化和电磁兼容仿真。基于ML的天线优化流程有：
• 通过DoE分析和数值仿真生成训练和测试数据集
• 根据生成的训练数据集建立ML模型
• 使用生成的测试数据集验证ML模型
• 使用ML模型优化天线设计
使用ML进行天线设计有助于了解目标与自变量的变化趋势、进行权衡研究并优化设计产品性能和可靠性。下面提供两个例子来说明将ML应用于FEKO®和HyperStudy中天线设计的优势。
案例1：双端口LTE天线优化（图1）
• 天线仿真模型包含12个设计变量和2个响应(S11, S21)
• 使用ML回归模型(regression model)快速优化。处理时间对比：
DoE数据生成时间：14.7小时
训练ML回归模型：2秒
使用ML模型优化设计：10秒
基于仿真模型的常规优化：40.4小时
采用ML方法的加速比：2.75
案例2：基于进化（evolutionary）算法的WLAN天线优化（图2）
• 天线仿真模型包含112个二进制设计变量和2个响应
• 设计变量表示蜂窝状单元是否为金属
• 所有可能的设计组合数量为2112 ≈ 5.2*1033
• 使用进化算法寻找最优的天线拓扑结构
• 优化目标：2.44GHz和5.2GHz的S11最小
• 优化约束：金属蜂窝状单元的总数<50
• 经过4300次迭代和12次进化，多目标遗传算法确定了一组帕累托最优解
一直以来，Altair成熟地应用ML回归模型进行设计探索和优化，现在也将这种方法应用于天线设计和解决电磁领域相关问题。最近Altair通过产品更新，将ML产品组合推广到数据分析领域，包含了机器学习和预测分析。Altair领先的ML工具在天线设计中的应用，将引发当今甚至未来无线设备新型天线开发设计的重大变革。
基于Ansys物理仿真的机器学习
Ansys Inc., Canonsburg, Pa.
Ansys引入并使用机器学习（ML）方法和工具已有很长一段时间，旨在提升物理工程仿真的功能体验。一个早期的例子是Ansys HFSS在自适应网格剖分求解过程中所采用的自动化方法。该方法使用之前的有限元解来预测应该在何处进行网格细化，以获得更准确的解。虽然并非现代意义上的机器学习，并没有在明确编程的情况下进行预测或决策，但是自动自适应网格剖分技术可借助计算机基于之前的结果来发现具有更好精度和更快速度的网格模型。
在半导体领域，RedHawk-SC产品运用大数据和机器学习来实现超大型、高度复杂的集成电路设计工作的快速迭代。机器学习提供了具有可操作性的分析方法，以识别设计修改，并确定其优先次序。此外，Ansys还在诸多仿真功能中运用了机器学习方法，比如推断材料的光学属性、在仿真前评估高性能计算（HPC）资源的设计智能助手、为高级辅助驾驶系统和汽车雷达自动生成道路场景等。
用于汽车雷达检测的机器学习
Ansys曾演示了一种应用，使用Ansys HFSS弹跳射线法（SBR+）高频近似电磁求解器来预测复杂驾驶场景下的雷达回波。Ansys HFSS SBR+可用于预测车载雷达在移动场景中的多普勒响应，该场景可包含道路及静态物、移动车辆和行人、建筑物、路标和植物等组合。
利用该功能，软件可利用机器学习算法提供基于雷达的目标定位和分类。机器学习的目标是通过生成数学模型，从复杂数据中检测并推断特定模式，而该数学模型可快速根据新数据做出决策。通常，用于机器学习训练的已有预训练模型或数据集非常少，因此这项工作采用的方法是用Ansys HFSS SBR+计算生成所需的数据集和训练模型。
原文始发于微信公众号（actMWJC）
