Maskininlärning för design av mikrovågskretsar

Abstract

I detta arbete presenteras en innovativ designmetod för passiva elektriska kretsar, vilken har implementerats för att skapa anpassningsnät med filteregenskaper som opererar inom frekvensbandet 1-10 GHz. Metoden bygger på att ett neuralt nätverk tränas för att förutsäga kretsegenskaper av pixelerade kretsar. Det neurala nätverket används sedan i en genetisk optimeringsalgoritm för att kunna identifiera den krets som bäst matchar en godtycklig önskad kretsprestanda specificerad av användaren. Genom denna metod har tre kretsar genererats, med mindre geometriskt utsträckning än traditionella designmetoder samtidigt som tidsåtgången för att generera dem har minskat avsevärt. Den resulterande prestandan hos kretsarna varierade mellan de olika typerna men är jämförbar med de designade med traditionella metoder. Denna tillämpning av neurala nätverk och invers design visar på deras potential att användas i nya designmetoder för elektriska kretsar.