Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Одну модель радиочастотных схем научили работать с разными топологиями и переносить знания на незнакомую субсхему. В препринте University of Utah, который не прошёл рецензирование и где все числа получили сами авторы, TARGet снизил нормализованную среднюю абсолютную ошибку на новой топологии до 45% относительно лучшего конкурента. Для разработки это означает, что небольшое изменение схемы не обязательно потребует заново собирать полную обучающую выборку.
Две карты одной схемы
Обычная полносвязная нейросеть получает параметры компонентов одним плоским списком. Для неё два конденсатора или усилительных каскада остаются просто позициями во входном векторе: модель не знает, как они соединены и в каком порядке проходит сигнал.
TARGet описывает схему на двух уровнях. Первый уровень хранит электрическое поведение функциональных блоков через параметры рассеяния (S-параметры). Они показывают, как субсхема отражает и передаёт радиочастотный сигнал на разных частотах, поэтому одинаковый блок можно повторно использовать в нескольких схемах.
Модель не передаёт в этот уровень номиналы каждого элемента по отдельности. Она получает комплексные S-параметры в виде действительной и мнимой частей, группирует признаки по субсхемам и отдельно кодирует каждый блок. Затем специализированная ветвь учит взаимодействия между такими группами.
Второй уровень представляет всю схему графом. Узлами становятся компоненты и субсхемы, рёбрами — электрические соединения между ними. Графовая нейросеть собирает признаки соседних узлов и тем самым учитывает расположение блоков, пути сигнала и общую топологию.
На последнем этапе TARGet объединяет представление субсхем с представлением графа и предсказывает характеристики всей схемы. Такое позднее объединение разделяет две задачи: одна ветвь отвечает за локальное поведение радиочастотных блоков, другая — за их место в общей структуре.
Где структура дала выигрыш
На малошумящих усилителях TARGet удержал нормализованную ошибку ниже 1% и потребовал до 35,5 раза меньше обучающих данных, чем сравниваемые модели. При строгом допуске в 1% доля подходящих прогнозов оказалась в 9,7 раза выше.
Сравнение включало полносвязную сеть, CCI-NN с группировкой признаков по субсхемам и отдельную графовую нейросеть. Так авторы проверили обе части архитектуры по отдельности: обработку локальных блоков без графа и граф без специализированного кодировщика субсхем.
Отдельный опыт проверял перенос без дообучения. Одну топологию согласующей цепи полностью убрали из обучающей, проверочной и тестовой частей, а после обучения подали модели как новую. TARGet ошибался меньше всех трёх базовых вариантов по усилению, доступному усилению и коэффициенту шума.
Преимущество зависело от сложности схемы. На фазовращателях результаты моделей сблизились, а более простая CCI-NN местами немного обошла TARGet. Явное кодирование топологии принесло основной выигрыш там, где компоненты сильнее взаимодействовали и одна плоская запись хуже описывала устройство схемы.
Работу проверяли на семействах малошумящих усилителей и фазовращателей, на нескольких топологиях и частотных точках. Обучающие наборы содержали миллионы примеров, но перенос на полностью исключённую структуру проверили только для одной согласующей субсхемы усилителя. Поэтому результат показывает перенос внутри заданного класса RF-блоков, а не универсальную модель произвольных аналоговых схем.
Когда TARGet меняет план разработки
Подход имеет смысл, если продукт перебирает семейство родственных схем: меняет согласующие цепи, добавляет блоки или сравнивает несколько топологий усилителя. Вместо отдельной модели для каждого варианта команда может заранее определить библиотеку субсхем, рассчитать их S-параметры и обучить общий предсказатель со структурой схемы на входе.
Это меняет и подготовку данных. Выборку стоит организовать не как набор независимых плоских таблиц, а как сочетание описаний блоков, графов соединений и целевых характеристик. Такое представление требует стабильных границ между субсхемами: если инженеры делят одну и ту же функциональную часть по-разному, повторное использование признаков усложняется.
TARGet не устраняет схемотехническое моделирование. Результаты симулятора по-прежнему нужны как правильные ответы для обучения, а сама работа оценивает предсказание характеристик, но не полный цикл автоматического синтеза. Выигрыш возникает после создания начальной выборки, когда модель быстро оценивает новые сочетания уже известных блоков и связей.
Для простой схемы дополнительная графовая ветвь может не окупиться: фазовращатели в опытах не дали ей заметного преимущества. Практический критерий — повторяются ли субсхемы между вариантами и меняет ли их соединение итоговые характеристики. Если да, архитектуру данных лучше сразу строить вокруг блоков и графа; если нет, достаточно более простой модели с группированными входами.
Код TARGet открыт, поэтому метод можно проверить на собственном семействе схем без воспроизведения архитектуры с нуля. Начать разумно с переноса одной исключённой топологии: такой опыт покажет, действительно ли модель учит правила взаимодействия блоков, а не запоминает варианты из обучающей выборки.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
