[论文解读] 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 5

一句话总结

本文提出了一种关系归纳神经网络（RINN），通过从数据中学习结构关系而无需先验知识，实现了微波集成电路（MWIC）设计的自动化。该方法相较于传统强化学习，收敛速度最快可提升四个数量级，在传输线、滤波器和天线设计任务中表现出色，且能通过电磁理论解释其关系。

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.

研究动机与目标

• 为解决由于微波集成电路（MWIC）解空间庞大且结构复杂，导致其设计自动化困难的问题。
• 开发一种人工智能代理，能够在不依赖外部先验知识的情况下，学习MWIC中的结构关系。
• 通过端到端训练，实现在数据驱动基础上的MWIC快速设计，如传输线、滤波器和天线。
• 通过将学习到的关系建立在电磁理论基础上，弥合人工智能与微波电子学之间的鸿沟。

提出的方法

• 提出一种新型神经网络架构——关系归纳神经网络（RINN），专用于建模MWIC中的结构关系。
• 采用强化学习对RINN代理进行端到端训练，以优化MWIC设计，且不引入领域特定先验知识。
• 利用关系归纳偏差，基于几何和电磁特性推断电路元件之间的连接关系。
• 使用基于预定义MWIC性能指标（如回波损耗、带宽）的奖励函数来引导学习过程。
• 采用可微分架构，使反向传播能够通过结构设计决策。
• 在三个不同的MWIC任务上验证模型：传输线、滤波器和天线设计。

实验结果

研究问题

• RQ1 人工智能代理是否能够在不了解电磁理论的前提下，自主学习设计微波集成电路？
• RQ2 与传统强化学习相比，RINN架构在收敛速度和设计质量方面表现如何？
• RQ3 RINN模型中学习到的关系是否能够通过已知的微波电路理论和电磁场分布进行解释？
• RQ4 RINN在不同类型的MWIC（如滤波器和天线）之间具有多大程度的泛化能力？

主要发现

• RINN代理在MWIC设计任务中的收敛速度相比传统强化学习方法最快可提升四个数量级。
• 该模型在微波传输线、滤波器和天线电路设计中生成了极具竞争力的设计，性能达到或超过基准水平。
• RINN中学习到的结构关系具有可解释性，且与已知的电磁场分布及MWIC理论一致。
• 该方法成功实现了MWIC设计的自动化，且无需显式引入领域特定的先验知识。
• 该方法在多种MWIC类型间展现出良好的泛化能力，表明其在微波及相关领域具有广泛的应用潜力。