論文介紹稱，這個全新的神經網絡架構名叫“關係歸納神經網絡”
，tanenggouzongjieheguinaweibojichengdianluneizaidedianciguilv

，bingzijixuehuishejihetiaoshi。lunwengeichudejieguoxianshi
，gaishenjingwangluoshejiweibojichengdianludeshuipingkanbirenleizhuanyegongchengshi。

 

相信看到這裏業界的朋友們會和當初小編一樣吃驚。正如論文裏披露，創天科技表示雖然Google AlphaGo已經是AI的裏程碑
，但下圍棋與微波集成電路相比，仍然是一個非常簡單的問題，因為微波集成電路（MWIC）的解空間更大，結構也更為複雜，因此實現其自動設計一直以來都被視為人工智能領域的一大難題。

 

微wei波bo集ji成cheng電dian路lu是shi在zai電dian路lu板ban上shang采cai用yong特te定ding的de工gong藝yi製zhi造zao大da量liang高gao精jing度du微wei米mi納na米mi級ji的de電dian路lu，電dian路lu之zhi間jian存cun在zai複fu雜za的de電dian磁ci效xiao應ying，微wei觀guan下xia的de微wei小xiao的de擾rao動dong往wang往wang會hui帶dai來lai宏hong觀guan特te性xing的de巨ju大da差cha異yi。圍wei棋qi的de動dong作zuo空kong間jian約yue為wei10-250
，集成電路的狀態空間超過10-10000。

 

微波集成電路是人類工程師的智力勞動，是智慧、經驗和直覺碰撞出的產物。對於工程師來說，設計過程需要利用計算機輔助設計工具發現問題、解決問題進而尋找最優解決方案，這個過程繁瑣而枯燥，需要通過綜合各種方案分析
、設計、優化去逼近最優解決方案。因此，如何使人類工程師徹底擺脫這項繁瑣的優化設計工作，是一項非常有意義的挑戰。

 

AI是如何設計微波集成電路

 

AI能學會設計集成電路，靠的是一個“基於聚類和異步的優勢行動者評論家算法模型”。文章介紹道
，該模型包含兩部分——聚(ju)類(lei)算(suan)法(fa)和(he)強(qiang)化(hua)學(xue)習(xi)神(shen)經(jing)網(wang)絡(luo)模(mo)型(xing)。其(qi)中(zhong)



，聚(ju)類(lei)算(suan)法(fa)用(yong)來(lai)對(dui)網(wang)格(ge)化(hua)的(de)集(ji)成(cheng)電(dian)路(lu)的(de)設(she)計(ji)動(dong)作(zuo)進(jin)行(xing)劃(hua)分(fen)，即(ji)將(jiang)集(ji)成(cheng)電(dian)路(lu)的(de)多(duo)個(ge)設(she)計(ji)動(dong)作(zuo)聚(ju)成(cheng)幾(ji)個(ge)典(dian)型(xing)的(de)動(dong)作(zuo)類(lei)，類(lei)似(si)於(yu)經(jing)驗(yan)豐(feng)富(fu)的(de)集(ji)成(cheng)電(dian)路(lu)模(mo)型(xing)設(she)計(ji)師(shi)對(dui)模(mo)型(xing)的(de)參(can)數(shu)化(hua)設(she)置(zhi)


；qianghuaxueximoxingzejiyujuleisuanfahuafendedianxingdongzuocuzuoweicelvewangluoshuchudedongzuoleibie，yucedangqianjichengdianlumoxingdeshejidongzuo，ranhouzaiyoujiazhiwangluopinggugaishejidongzuodehaohuai，yizhaochuzuiyoucelve，congerdadaozidongshejiweibojichengdianludejishugongxiao。

 

“我(wo)們(men)設(she)計(ji)了(le)一(yi)個(ge)稱(cheng)為(wei)關(guan)係(xi)歸(gui)納(na)神(shen)經(jing)網(wang)絡(luo)的(de)架(jia)構(gou)，它(ta)可(ke)以(yi)快(kuai)速(su)有(you)效(xiao)地(di)學(xue)習(xi)集(ji)成(cheng)電(dian)路(lu)內(nei)部(bu)數(shu)據(ju)之(zhi)間(jian)的(de)規(gui)律(lv)
，從(cong)而(er)達(da)到(dao)設(she)計(ji)任(ren)意(yi)複(fu)雜(za)集(ji)成(cheng)電(dian)路(lu)的(de)目(mu)的(de)。”研究人員表示，在其方案中，集成電路形狀被定義為一組參數化網格
，當每個網格發生變化時
，由標準的CAE軟件包計算出結果
，然後使用聚類算法對這些結果的變化進行分類，最後交由強化學習神經網絡進行決策。

 

圖1：RINN架構。a, 聚類算法的數據集，即網格模型的S參數變化矩陣。B，聚類算法。C
、網格化的模型和S參數矩陣訓練深度強化學習模型。d，以c為輸入，以動作的概率向量π和價值標量v為輸出的深度強化學習模型。

 

基於關係歸納神經網絡的微波集成電路模型設計框架如圖1所示

，其包含兩部分：聚類算法（圖1b）和強化學習神經網絡模型（圖1d）。zaibenkuangjiazhong，juleisuanfayonglaiduiwanggehuadejichengdianludeshejidongzuojinxinghuafen
，jiduijichengdianludeduogeshejidongzuojuchengjigedianxingdedongzuolei，leisiyujingyanfengfudejichengdianlumoxingshejishiduimoxingdecanshuhuashezhi；強化學習模型（采用A3C算法）基ji於yu聚ju類lei算suan法fa劃hua分fen的de典dian型xing動dong作zuo簇cu作zuo為wei策ce略lve網wang絡luo輸shu出chu的de動dong作zuo類lei別bie，預yu測ce當dang前qian集ji成cheng電dian路lu模mo型xing的de設she計ji動dong作zuo，然ran後hou再zai由you價jia值zhi網wang絡luo評ping估gu該gai設she計ji動dong作zuo的de好hao壞huai，以yi找zhao出chu最zui優you策ce略lve，從cong而er達da到dao自zi動dong設she計ji微wei波bo集ji成cheng電dian路lu的de技ji術shu能neng力li。

 

基於AI設計濾波器、天線案例分析

 

論文中針對微波傳輸線電路
、濾波器電路、天線電路自動設計的不同方麵進行的幾項綜合研究已經取得成功，下麵我們來一起看看論文中的2個研究案例。

 

1.基於RINN 進行濾波器設計

 

為了考驗RINN 濾波器設計的能力，研究者采用了四種濾波器設計任務，其中心頻率分別是9.3GHz

、11.5GHz

、7.55GHz 和6.95GHz，但是第四個濾波器的長度和寬度限製在5mm*5mm。具體設計任務見表1
，具體設計方案見圖2。

 

表1：四種濾波器設計任務

 

圖2  |  濾波器的聚類 可視化結果。a）濾波器模型。b-d）設計好的濾波器模型的表麵電流密度分布、電場分布和磁場分布。e）網狀模型（meshed model）。f-j）設計好的濾波器上的典型動作集群（action cluster）可視化結果。k-o）典型動作集群的可微S 11 曲線。

 

AI從零開始學習如何在不知道設計規則的前提下設計MWIC 模型。通過觀察AI設計過濾器的動作，我們發現AI實際上已經學會了類似於工程師的動作。為了降低通帶回波損耗並增加濾波器的插入損耗，第一項任務的AI學會了逐步調整當前頻率下諧振器之間的耦合係數
，其設計過程如圖3（a-c）所示。

 

 

第二項任務和第三項任務的AI首shou先xian學xue會hui調tiao整zheng諧xie振zhen器qi的de長chang度du，以yi達da到dao移yi動dong中zhong心xin頻pin率lv的de目mu的de，然ran後hou調tiao整zheng諧xie振zhen器qi之zhi間jian的de耦ou合he係xi數shu，以yi減jian少shao通tong帶dai回hui波bo損sun耗hao，增zeng加jia插cha入ru損sun耗hao，其qi設she計ji過guo程cheng如ru圖tu3（d-i）所示。

 

圖3  |  基於RINN 架構的濾波器設計流程。a-c）第一個任務的優化濾波器模型，及其回波損耗（S_11）和插入損耗（S_21）變化圖。d-f）

、g-i）、j-l）分別是第二、三

、四個任務的優化濾波器模型、回波損耗（S_11）變化圖和插入損耗（S_21）變化圖。m）四個任務的學習曲線。智能體的學習速度與設計任務的複雜度相關，設計任務越複雜，智能體的學習速度越慢。

 

2.基於RINN 進行天線設計

 

為了進一步證明RINN 架構的設計能力，研究人員嚐試用它來設計天線。如圖4、圖5 所示，RINN 訓xun練lian的de智zhi能neng體ti在zai沒mei有you任ren何he人ren類lei知zhi識shi的de情qing況kuang下xia成cheng功gong地di捕bu捉zhuo了le天tian線xian的de主zhu要yao特te征zheng，並bing學xue會hui了le在zai設she計ji天tian線xian時shi執zhi行xing一yi係xi列lie的de正zheng確que動dong作zuo，這zhe些xie動dong作zuo能neng簡jian潔jie地di表biao達da引yin起qi他ta們men觀guan察cha的de因yin果guo關guan係xi。智zhi能neng體ti基ji於yu學xue習xi的de策ce略lve成cheng功gong地di設she計ji出chu了le三san種zhong不bu同tong頻pin率lv的de天tian線xian模mo型xing。從cong設she計ji天tian線xian的de過guo程cheng中zhong
，可ke以yi看kan到dao輻fu射she貼tie片pian主zhu要yao影ying響xiang中zhong心xin頻pin率lv
，而er饋kui線xian主zhu要yao影ying響xiang輸shu入ru阻zu抗kang。這zhe些xie結jie果guo都dou與yu矩ju形xing貼tie片pian天tian線xian的de理li論lun以yi及ji電dian磁ci場chang分fen布bu一yi致zhi。

 

圖4：天線的聚類可視化結果。a，天線模型。b
，表麵電流密度分布。c，磁場分布。d
，電場分布。e，Meshed模型。f-j
，網格頂點聚類的可視化結果。

 

圖5：a-c）三種天線模型，其中心頻率分別為8.5GHz、6.15GHz 和7.35GHz，由智能體設計。d-f）觀察智能體根據回波損耗曲線（S11）的變化設計天線的過程。g）所有天線的增益模式。h）三種天線模型的學習曲線。

 

AI與人類專業工程師設計對比

 

通過對人類工程師設計的集成電路模型與AI設計的集成電路模型的對比
，在9.1GHz 的中心頻率和1.2GHz 的帶寬下，6階濾波器的反射損耗小於-15dB，插入損耗大於-1dB；第二，一個貼片天線中心頻率為7.35 GHz 時，其增益大於3dB。從圖6 中對比的人類工程師和AI 設計的MWIC 模型中可以看出

，人類工程師設計的模型更加規則
，並且參數數量有限。AI設計的電路是不規則的，參數多，自由度高
，形狀更趨近於自然形成。實際上

，AI能夠學習抽象出影響電路性能的關鍵參數，並掌握各種各樣的設計任務。因此，AI僅接收網格化電路模型和S參數矩陣作為其輸入就能夠達到與專業工程師相當的水平。

 

圖6：AI與人類專業工程師設計對比。a）由工程師設計的濾波器模型。b）由AI設計的濾波器模型。c）a 的回波損耗曲線（S11）和插入損耗曲線（S21），以及b 的回波損耗曲線（S11）和插入損耗曲線（S21）。d）由工程師設計的貼片天線模型。e）由AI設計的貼片天線模型。f）a 和b 的7.35 GHz 增益曲線。

 

對未來的工業自動化設計的意義

 

這項研究首次展示使用深度強化學習方法（不依賴人類經驗）訓練智能體來探索MWIC 設(she)計(ji)，填(tian)補(bu)了(le)這(zhe)方(fang)麵(mian)的(de)空(kong)白(bai)。通(tong)過(guo)訓(xun)練(lian)或(huo)學(xue)習(xi)，自(zi)動(dong)歸(gui)納(na)微(wei)波(bo)集(ji)成(cheng)電(dian)路(lu)內(nei)部(bu)結(jie)構(gou)之(zhi)間(jian)的(de)關(guan)係(xi)。值(zhi)得(de)注(zhu)意(yi)的(de)是(shi)，智(zhi)能(neng)體(ti)自(zi)行(xing)歸(gui)納(na)和(he)總(zong)結(jie)的(de)規(gui)律(lv)在(zai)電(dian)路(lu)的(de)結(jie)構(gou)原(yuan)理(li)和(he)電(dian)磁(ci)場(chang)原(yuan)理(li)等(deng)方(fang)麵(mian)是(shi)可(ke)解(jie)釋(shi)的(de)。研(yan)究(jiu)工(gong)作(zuo)跨(kua)越(yue)了(le)人(ren)工(gong)智(zhi)能(neng)和(he)集(ji)成(cheng)電(dian)路(lu)之(zhi)間(jian)的(de)鴻(hong)溝(gou)
，未(wei)來(lai)還(hai)可(ke)用(yong)於(yu)訓(xun)練(lian)其(qi)它(ta)領(ling)域(yu)的(de)智(zhi)能(neng)體(ti)（如機械波、力學和其他），為未來的自動化設計指明了方向。