[論文レビュー] Microwave Integrated Circuits Design with Relational Induction Neural Network

Jie Liu, Zhi-Xi Chen+8 more|arXiv (Cornell University)|Jan 3, 2019

Microwave Engineering and Waveguides参考文献 24被引用数 5

ひとこと要約

本論文は、事前の知識なしにデータから構造的関係を学習することで、マイクロ波集積回路（MWIC）の設計を自動化するリラショナルインダクションニューラルネットワーク（RINN）を紹介する。この手法は、従来の強化学習と比較して最大4桁の速さで収束を達成し、伝送線路、フィルタ、アンテナ設計のタスクにおいて優れた性能を示すとともに、電磁気学的理論を用いて関係性を説明可能である。

ABSTRACT

The automation design of microwave integrated circuits (MWIC) has long been viewed as a fundamental challenge for artificial intelligence owing to its larger solution space and structural complexity than Go. Here, we developed a novel artificial agent, termed Relational Induction Neural Network, that can lead to an automotive design of MWIC and avoid brute-force computing to examine every possible solution, which is a significant breakthrough in the field of electronics. Through the experiments on microwave transmission line circuit, filter circuit and antenna circuit design tasks, strongly competitive results are obtained respectively. Compared with the traditional reinforcement learning method, the learning curve shows that the proposed architecture is able to quickly converge to the pre-designed MWIC model and the convergence rate is up to four orders of magnitude. This is the first study which has been shown that an agent through training or learning to automatically induct the relationship between MWIC's structures without incorporating any of the additional prior knowledge. Notably, the relationship can be explained in terms of the MWIC theory and electromagnetic field distribution. Our work bridges the divide between artificial intelligence and MWIC and can extend to mechanical wave, mechanics and other related fields.

研究の動機と目的

• マイクロ波集積回路（MWIC）設計の自動化に課題が生じる主な要因は、その膨大な解空間と構造的複雑性である。
• 外部の事前知識に依存せずに、MWIC内の構造的関係を学習できる人工エージェントの開発を目的とする。
• エンドツーエンドの学習により、伝送線路、フィルタ、アンテナなどのMWICを迅速かつデータ駆動で設計可能にする。
• 学習された関係性を電磁気学的理論に根拠づけることで、人工知能とマイクロ波エレクトロニクスの溝を埋める。

提案手法

• MWIC内の構造的関係をモデル化することを目的とした、新規なニューラルネットワークアーキテクチャ、リラショナルインダクションニューラルネットワーク（RINN）を提案する。
• ドメイン固有の事前知識を組み込まず、MWIC設計の最適化を目的とした強化学習を用いてRINNエージェントをエンドツーエンドで訓練する。
• 幾何学的および電磁的特性に基づいて、回路部品間の接続関係を推論するために、関係的インダクティブバイアスを活用する。
• 帰属損失、帯域幅などの事前に定義されたMWIC性能指標に基づいた報酬関数を用いて学習を誘導する。
• 構造的設計意思決定を逆誤差伝搬可能にする微分可能アーキテクチャを採用する。
• 伝送線路、フィルタ、アンテナ設計の3つの異なるMWICタスクにおいて、モデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 AIエージェントは、電磁気学的理論に関する事前の知識なしに、マイクロ波集積回路を自律的に設計できるか？
• RQ2 RINNアーキテクチャは、従来の強化学習と比較して収束速度および設計品質の点でどのように異なるか？
• RQ3 RINNモデルで学習された関係性は、既存のマイクロ波回路理論および電磁場分布を用いて解釈可能か？
• RQ4 RINNは、フィルターやアンテナなどの異なる種類のMWICにどの程度一般化可能か？

主な発見

• RINNエージェントは、MWIC設計タスクにおいて、従来の強化学習手法と比較して最大4桁の速さで収束を達成した。
• モデルはマイクロ波伝送線路、フィルタ、アンテナ回路において、競争力のある設計を生成し、ベンチマーク性能を満たすかそれを上回った。
• RINNで学習された構造的関係は解釈可能であり、既知の電磁場分布およびMWIC理論と整合していた。
• ドメイン固有の事前知識を明示的に組み込む必要なしに、MWIC設計の自動化に成功した。
• 多様なMWICタイプにわたる一般化の可能性を示したため、マイクロ波および関連分野への広範な応用が期待される。