[논문 리뷰] Microwave Integrated Circuits Design with Relational Induction Neural Network

Jie Liu, Zhi-Xi Chen외 8명|arXiv (Cornell University)|2019. 01. 03.

Microwave Engineering and Waveguides참고 문헌 24인용 수 5

한 줄 요약

이 논문은 사전 지식 없이 데이터로부터 구조적 관계를 학습함으로써 마이크로파 통합 회로(MWIC) 설계를 자동화하는 관계 유도 신경망(Relational Induction Neural Network, RINN)을 소개한다. 이 방법은 기존 강화 학습 대비 최대 10,000배 빠른 수렴 속도를 달성하며, 전송선로, 필터, 안테나 설계 과제에서 뛰어난 성능을 보이며 전자기 이론을 통해 관계를 해석한다.

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.

연구 동기 및 목표

• 마이크로파 통합 회로(MWIC) 설계의 광범위한 해의 공간과 높은 구조적 복잡성으로 인해 자동화가 어려운 문제를 해결하기 위해.
• 외부 사전 지식에 의존하지 않고 MWIC의 구조적 관계를 학습할 수 있는 인공 에이전트를 개발하기 위해.
• 종단 간 훈련을 통해 전송선로, 필터, 안테나와 같은 MWIC를 신속하고 데이터 기반으로 설계할 수 있도록 하기 위해.
• 학습된 관계를 전자기 이론에 기반시킴으로써 인공지능과 마이크로파 전자공학 간 격차를 메우기 위해.

제안 방법

• MWIC의 구조적 관계를 모델링하기 위해 설계된 새로운 신경망 아키텍처인 관계 유도 신경망(Relational Induction Neural Network, RINN)을 제안한다.
• 도메인 특화 사전 지식을 포함시키지 않고 MWIC 설계 최적화를 위해 강화 학습을 사용해 RINN 에이전트를 종단 간 훈련한다.
• 기하학적 및 전자기적 성질에 기반해 회로 구성 요소 간의 연결 관계를 유추하기 위해 관계 기반 인도적 편향(relational inductive bias)을 활용한다.
• 예를 들어, 반사 손실, 대역폭 등의 정의된 MWIC 성능 지표를 기반으로 보상 함수를 사용해 학습을 이끈다.
• 구조적 설계 결정을 통해 역전파가 가능한 미분 가능 아키텍처를 사용한다.
• 전송선로, 필터, 안테나 설계와 같은 세 가지 다른 MWIC 과제에서 모델을 검증한다.

실험 결과

연구 질문

• RQ1 인공지능 에이전트는 전자기 이론에 대한 사전 지식 없이 마이크로파 통합 회로를 자율적으로 설계할 수 있는가?
• RQ2 기존 강화 학습 대비 RINN 아키텍처는 수렴 속도와 설계 품질 측면에서 어떻게 비교되는가?
• RQ3 RINN 모델에서 학습된 관계는 기존의 마이크로파 회로 이론과 전자기장 분포를 기반으로 해석할 수 있는가?
• RQ4 RINN은 필터나 안테나와 같은 다양한 유형의 MWIC에 얼마나 일반화될 수 있는가?

주요 결과

• RINN 에이전트는 MWIC 설계 과제에서 기존 강화 학습 방법 대비 최대 4개 지수 빠른 수렴 속도를 달성했다.
• 모델은 마이크로파 전송선로, 필터, 안테나 회로 설계에서 경쟁력 있는 성능을 내며 기준 성능에 맞추거나 초월했다.
• RINN에서 학습된 구조적 관계는 기존 알려진 전자기장 분포 및 MWIC 이론과 일치하며 해석 가능했다.
• 모델는 도메인 특화 사전 지식의 명시적 통합 없이도 MWIC 설계를 성공적으로 자동화했다.
• 다양한 유형의 MWIC에 대해 일반화 가능성을 보이며 마이크로파 및 관련 분야에 넓은 적용 가능성을 시사했다.