

星火技术提出全球首个基于Maxwell方程的神经网络通用RF模型求解器

微波射频网

2021-12-27

导读：因此星火技术基于AI提出全球首个在微波/射频EDA建模工具，采用独创的麦克斯韦方程基神经网络大模型通用建模技术，网络参数接近1亿，实现了传输线、电感、电容、耦合线、SAW/BAW/FBAR谐振器滤波器

快速发展的半导体行业始终面临着最大化产品性能和成品率，缩短产品进入市场时间和降低生产成本的挑战。随着器件几何尺寸越来越小，使用精确模型和控制统计变量对于器件制造工艺是十分重要的。

今天的工程师面临更高速度和更宽带宽的要求。典型电路的工作频率已推进到微波和毫米波范围。精确的器件模型对于电路的仿真收敛和精度至为关键。仅在直流级精确的器件模型已不能适应许多应用的要求。电路设让师需要不仅能在直流精确预测器件，而且在微波和毫米波范围内要更准确。传统数值方法如有限差分、有限元等需网格剖分、迭代计算，仿真流程复杂、计算时间长，无法满足产品的设计需求。

AI方法具有万能逼近能力和高效推理能力，可有效提升器件建模效率。当AI作为高维复杂函数的表示工具后，即可在各个尺度上的模型求解加入AI系统性机会。从最微观的薛定谔方程、多电子体系的求解，到密度泛函、波函数方法，再到点源时域麦克斯韦方程求解等，这一系列的模型对应的是一系列不同的数据处理方法。AI的机会就在这些模型两两之间，用微观模型求解提供有效数据，将准确数据和求解方程的内容学习下来，从而在宏观模型进行演化。

因此星火技术基于AI提出全球首个在微波/射频EDA建模工具，采用独创的麦克斯韦方程基神经网络大模型通用建模技术，网络参数接近1亿，实现了传输线、电感、电容、耦合线、SAW/BAW/FBAR谐振器滤波器等无源器件的建模，以及二极管、三极管等有源器件的建模，精度可达1e-8，响应速度小于5ms。

值得一体的是，星火技术基于AI提出的微波/射频EDA建模工具，把麦克斯韦偏微分方程作为限制加入神经网络中使训练的结果满足物理规律，即求解器不仅尽力遵循电磁模型样本的分布规律，而且也遵守由麦克斯韦偏微分方程描述的物理定律。与纯数据驱动的神经网络学习相比，其在训练过程中施加了电磁信息约束，因而能用更少的数据样本习得更具泛化能力的模型。

AI求解器通过自动训练过程学习器件/电路的数据，训练好的神经网络模型能代替原始器件进行电路/系统的仿真与设计。训练后的神经网络模型不仅运行速度快、精度高，还能够准确反映器件输入与输出的非线性关系。该技术打破了国外垄断，在该领域实现了美国IC-C*P软件的国产化替代。