加速射频功率放大器设计通过智能采样和基于机器学习的参数调整-计算机科学-机器学习-射频功率放大器设计优化.pdf

加速射频功率放大器设计通过智能采样和基

于机器学习的参数调整

AbhishekSriramNealTuffy

M.Sc.Robotics(Candidate)Sr.PrincipalElectricalEngineer

NortheasternUniversitySkyworksSolutions,Inc.

sriram.ab@neal.tuffy@

摘要—本文提出了一种机器学习加速的射频功率放大器设索多维参数空间通常需要模拟1500种或更多的参数组

1

计优化框架，该框架将仿真需求减少了65%，同时保持了大合，这在设计周期中造成了一个显著的瓶颈。

本多数模式下dBm的精度。所提出的方法结合了最大最小

译拉丁超立方抽样与CatBoost梯度提升，智能探索多维参数空当前解决这一挑战的方法包括实验设计（DoE）方

间。我们的方法不是通过穷举所有参数组合来实现目标P2dB

中压缩规范，而是战略性地选择约35%的关键仿真点。该框架处法，如因子设计和蒙特卡洛采样[5]。虽然这些方法可

以减少模拟的数量，但它们在高维空间中扩展性较差，

2理ADS网表，在减少的数据集上执行谐波平衡仿真，并训练一

v个CatBoost模型以预测整个设计空间的P2dB性能。在15并且缺乏针对RF应用的特定优化。拉丁超立方体采样

8

2种PA工作模式下的验证结果表明，平均为0.901，系统根（LHS）已在各种工程应用中显示出潜力[6]，但是标准

9据参数组合达到目标规范的可能性对其进行排序。集成解决方案实现并未针对RF参数空间的独特特性进行调整。机器

1

1通过自动化的GUI基础工作流实现了58.24-77.78%的仿真时学习（ML）领域的最新进展已被应用于RF电路设计

.

7间减少，使快速设计迭代成为可能，同时不会影响生产射频电路[7]，然而诸如XGBoost或LightGBM之类的通用算法

0所需的精度标准。

5无法考虑PA设计优化中的特定数据结构和要求。

2IndexTerms—射频功率放大器设计，拉丁超立方采样，机

:器学习，CatBoost，设计空间探索

v当前方法存在一个关键差距：缺乏将智能采样策略

i

xI.介绍与专门针对RF仿真数据优化的ML模型相结合的集成

r

a框架。此外，现有解决方案不具备按参数组合满足设计

射频功率放大器（RF-PAs）的设计仍然是现代无

规范的可能性进行排序的能力，这使得设计师不得不

线系统开发中最具挑战性和耗时的部分之一。随着5G

手动解释预测结果。与行业标准工具（如Keysight的

网络、物联网（IoT）设备和汽车雷达系统的普及，对

AdvancedDesignSystem(ADS)）无缝集成的需求进一

高效高性能PA的需求显著增加[1]。设计过程需要仔

步加剧了这些挑战[8]。

细优化多个参数，包括偏置电压、匹配网络组件和器件

尺寸，以实现目标规格的同时保持线性度、效率和功率

本文提出了一种新型的ML加速优化框架，通过集

输出要求[2]。