Специалисты МИЭМ ВШЭ совместно с коллегами из МТУСИ впервые реализовали методику генеративного синтеза для проектирования микроволновых фильтров с использованием средств машинного обучения.
Как рассказали в пресс-службе ВШЭ, микрополосковые компоненты представляют собой топологические элементы печатной платы, которые обеспечивают передачу, прием и обработку радиочастотных или микроволновых сигналов. Их применяют в телекоммуникациях, спутниковой навигации, беспроводной связи и радиолокации. Данные компоненты ценят за компактность, невысокую стоимость производства и возможность изготовления прямо на плате без применения дополнительных деталей и сложной сборки.
Однако проектирование таких устройств сопряжено с трудностями. Их работа сильно зависит от топологии, включая геометрические размеры дорожек, расстояния между ними, форму и вид резонаторов. Даже небольшие отклонения от топологических размеров способны изменить характеристики устройства, такие как настройка на нужный диапазон частот или уровень отраженного сигнала. Обычно для этого применяют аналитические методы и системы автоматизированного проектирования, но полностью автоматизировать процесс не удается. Инженерам приходится проводить множество электромагнитных симуляций и вручную подбирать параметры, особенно когда требуется учесть много факторов одновременно.
Научная группа МИЭМ ВШЭ под руководством профессора Андрея Елизарова и руководителя студенческого проекта Артема Кацнельсона при участии коллег из МТУСИ профессора Григория Аристархова и старшего преподавателя Олега Аринина разработала генеративный синтез для упрощения этого процесса. Решение задачи синтеза с использованием алгоритмов машинного обучения позволяет сгенерировать топологию устройства и его геометрические размеры по заданным электрическим характеристикам.
Исследователи получили структурированный набор данных из 16250 параметрических конфигураций микрополосковых фильтров, сгенерированный с помощью автоматизированного конвейера на Python и программного обеспечения CST Studio Suite. Самым точным из четырех сравненных алгоритмов оказался XGBoost со средней ошибкой 0,51 % при расчете десяти целевых параметров. Предложенный подход учитывает реальные физические закономерности и сокращает время проектирования с нескольких дней до нескольких минут.
Ранее ученые ВШЭ предложили подход, который позволяет быстрее и точнее прогнозировать перегрев электронных компонентов.
