前言
人类仅需3-6年就能形成成熟的人脸/语音识别能力，而人工智能从20世纪50年代萌芽，到在这些感知任务上达到接近人类水平，却经历了长达60至70年的技术迭代。但人工智能展现出典型的"后发优势"——在突破技术临界点后，其精度与处理效率呈指数级跃升，远超越人类。
当前AI/ML技术正向EDA等专业领域渗透。相较于消费级AI应用的惊艳表现，其在EDA领域的进展确实显得保守——尚未出现类似DeepSeek，Midjourney这样的“爆款工具”。
本次我们将通过多维负载牵引外推算法的工程实践，具体阐释AI/ML如何在专业领域发挥价值，加速设计流程，实现"加速超车"。✌
1
用AI“脑补”电路性能:
Python+ADS重塑射频设计流程
在传统射频电路设计中，负载牵引（Load Pull）测试是验证器件性能不可或缺的一环。然而，这个过程往往繁琐、耗时，需要工程师具备丰富的专业知识，且每一次测试都需要大量的仿真或测量，这意味着高额的硬件投资和人力成本。有没有可能，只通过少量测试，就能“补出”全貌？
来自Baylor University的研究团队正尝试用AI实现这个“奇迹”——他们将负载牵引数据当作图像处理，通过图像补全技术还原出完整的器件性能图谱，从而大幅减少测量点，提高设计效率。这项技术的基石，正是 Keysight ADS 与 Python API 的深度集成。
2
用图像补全技术重绘“史密斯图”
项目的核心在于一个新颖的思路：将负载牵引数据视为灰度图像，应用深度学习中的图像补全方法进行“智能填图”，估算剩余的曲面、绘制等高线。从少量点出发完成整个负载牵引轮廓的外推。这个过程基于一个已经学习了某类器件负载牵引趋势的机器学习模型。
研究团队导入有限的测试数据，形成史密斯图上16个螺旋分布的负载点。接下来，训练好的AI模型精准还原出的完整负载牵引轮廓。这一预测结果甚至可以扩展至引入功率变量的史密斯三维图。
基于这种AI模型，仅凭少量输入，便能模拟出覆盖史密斯三维图上2.4万多个负载点的性能表现。相比传统仿真流程，速度提升高达1500倍。
3
模型数据如何而来？
Python + ADS “自动收割”
当然，训练这样一个AI模型，离不开大量高质量的仿真数据。而这正是许多AI应用在射频设计中落地的障碍所在——数据获取既慢又难。
为了解决这个难题，研究团队将 Keysight ADS 的 Python API 融入数据采集流程，实现了全流程自动化控制：
在ADS中预设电路和扫描变量（频率、偏置、功率等）；
用Python控制参数扫描并运行仿真；
数据自动保存为AI模型可识别的格式；
同时，多个实验室电脑并行执行仿真任务；
使用传统方法完成数据采集至少需要一个月时间。但通过自动化和并行处理21小时就完成了任务。有了Python自动化，不再需要人工点选或等待，整个过程如工业流水线般高效稳定。
Tips
新版本的ADS甚至支持Python开发的插件，这为用户提供了一个将内部工具/算法回流整合进 ADS 的通道，从而实现更多的应用可能性。自研插件与EDA工具无缝融合用户体验良好，不仅节省了仿真时间，还让复杂的射频设计变得更易掌控。
4
真金不怕火炼：
高度吻合的仿测对比
仿真结果令人惊艳，但科研并不止步于此。为了验证AI模型在实际器件上的可用性，团队采用 MWT1 晶体管进行了实测对比。
1
2
结果表明：仿真数据与实测数据之间的误差非常小，证明该模型不仅适用于仿真，还具备现实工程应用的可行性。这为后续在高功率、高频器件上的推广奠定了坚实基础。
5
应用前景：
从EDA加速器到“超感知助手”
AI/ML负载牵引外推算法带来的潜力远不止“补图”这么简单。未来，它可能在多个场景中大显身手：
高功率高频器件性能预测：
负载牵引测量设备的投资随着功率，频率的提升而显著提高，在某些领域甚至无法找到满足工况的设备，精准的外推算法可以估算在现实中难以实现或代价高昂的测量点，并帮助解决多维度设计难题。
仿真任务加速器：
仅仅做为EDA加速工具，这一算法也具有强大的实践意义。遇到规模庞大的仿真任务时，可以优化负载牵引点，并通过自动化批量仿真，提高效率。
可重构器件：
这项技术减少了设备状态和当前工作特性所需的测量数量，有助于更快地完成器件重构。
传统RF设计流程依赖大量测试与手动调试，效率低且对经验依赖大。AI与EDA工具的深度融合，正逐步渗透至射频设计的各个环节。在某些特定领域，AI已开始展现出“后发优势”，通过对少量高质量数据的高效建模，推动原本依赖经验与手工试错的流程，向数据驱动的“智能优化”演进，并已取得初步的实践成效。
可以预见，不久的将来，越来越多繁琐而重复的设计与验证任务将由AI自动完成，工程师也将从繁重的细节中解放出来，将更多精力投入到创新与系统级架构之中，实现设计效率与产品性能的双重跃升。
扫码观看完整介绍视频
和仿真结果对比
⬇⬇⬇
AI/ML × EDA
基于AI的多维负载牵引外推实践
长按扫码
获得更多资讯
点击“阅读原文”，立即观看