【技术实现步骤摘要】
利用机器学习辅助优化的多层电子器件鲁棒优化设计方法
本专利技术涉及一种利用机器学习辅助优化(MachineLearningAssistedOptimization，MLAO)的多层电子器件鲁棒优化设计方法(Multi-StageElectronicDeviceRobustDesignMethod)，可用于电子器件鲁棒性优化设计等领域。
技术介绍
在过去的十多年中，机器学习方法被广泛地引入天线、无源器件和电路设计等电子器件的设计领域，并取得了很好的效果。利用机器学习的电子器件优化方法多数采用将计算代价高的全波仿真等过程简化成计算代价低的代理模型的方式，改善因全波仿真的高仿真代价及元启发式算法的多运算次数所导致的优化时间过长的问题。然而，相比于传统的电子器件优化设计问题，电子器件的鲁棒优化设计问题更为复杂：设计者不仅希望能得到所需的电子器件目标响应，还希望其能在一定的输入容差的条件下具有较好的鲁棒性。最为可靠的方案是在给定的输出容差的条件下，寻找能得到最大输入容差超立方体的体积的设计点，并将其视作最鲁棒的设计点。但是，这...
【技术保护点】
1.一种利用机器学习辅助优化的多层电子器件鲁棒优化设计方法，其特征在于，包括如下步骤：/n构建多层鲁棒优化架构，包括利用机器学习方法建立的电子器件设计参数与电子器件性能响应之间的第一代理模型、电子器件设计参数和输入容差与电子器件的最差性能之间的第二代理模型以及电子器件设计参数与其所对应的最大输入容差超容量之间的第三代理模型；所述第二代理模型学习的数据集利用第一代理模型对所采样得到的输入容差范围内的电子器件的最差性能进行搜索得到；所述第三代理模型学习的数据集针对给定的设计点，利用第二代理模型对满足输出容差范围的最大输入超容量进行搜索得到；/n利用上述三个代理模型，对电子器件的...
【技术特征摘要】
1.一种利用机器学习辅助优化的多层电子器件鲁棒优化设计方法，其特征在于，包括如下步骤：
构建多层鲁棒优化架构，包括利用机器学习方法建立的电子器件设计参数与电子器件性能响应之间的第一代理模型、电子器件设计参数和输入容差与电子器件的最差性能之间的第二代理模型以及电子器件设计参数与其所对应的最大输入容差超容量之间的第三代理模型；所述第二代理模型学习的数据集利用第一代理模型对所采样得到的输入容差范围内的电子器件的最差性能进行搜索得到；所述第三代理模型学习的数据集针对给定的设计点，利用第二代理模型对满足输出容差范围的最大输入超容量进行搜索得到；
利用上述三个代理模型，对电子器件的性能响应和鲁棒性性能进行预测、优化及验证，并通过迭代方法更新模型，从而加速电子器件鲁棒优化设计流程。
2.根据权利要求1所述的利用机器学习辅助优化的多层电子器件鲁棒优化设计方法，其特征在于，基于采样的设计范围内的样本点和全波仿真方法计算得到的电子器件性能组成的数据集，利用机器学习方法建立电子器件设计参数与电子器件性能响应之间的第一代理模型，并利用第一代理模型结合优化算法，在所采样得到的不同输入容差取值的范围内对电子器件的最差性能进行搜索，从而优化得到不同的输入容差范围所对应的最差性能，由此建立电子器件设计参数和输入容差与其所对应的最差性能所组成的数据集。
3.根据权利要求1所述的利用机器学习辅助优化的多层电子器件鲁棒优化设计方法，其特征在于，基于所建立的电子器件设计参数和输入容差与其所对应的最差性能所组成的数据集，利用机器学习方法建立电子器件设计参数和输入容差与电子器件的最差性能之间的第二代理模型，并利用第二代理模型结合优化算法，优化得到在给定的输出容差的条件下，不同的电子器件设计参数所对应的最大输入容差超容量，由此建立电子器件设计参数和其所对应的最大输入容差超容量所组成的数据集。
4.根据权利要求3所述的利用机器学习辅助优化的多层电子器件鲁棒优化设计方法，其特征在于，基于所建立的电子器件设计参数和其所对应的最大输入容差超容量所组成的数据集，利用机器学习方法建立电子器件设计参数和其所对应的最大输入容差超容量之间的第三代理模型，并利用第三代理模型结合优化算法，优化得到在给定的输出容差的条件下，最大的最大输入容差超容量所对应的电子器件设计参数，并将其视为预测得到的最鲁棒的电子器件设计点。
5.根据权利要求1所述的利用机器学习辅助优化的多层电子器件鲁棒优化设计方法，其特征在于，利用迭代的方式，不断在预测设计目标点及其邻域...
【专利技术属性】
技术研发人员：无奇，王海明，余晨，陈炜琦，尹杰茜，洪伟，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。