基于神经微分方程和RNN的混合时域行为模型
机器学习
2025-06-18 v2
摘要
非线性动力系统识别是电路仿真的关键。传统的连续时域建模方法在拟合能力和计算效率方面存在局限，尤其是在用于建模电路IP和器件行为时。本文提出了一种新型连续时域混合建模范式。它将神经网络微分模型与循环神经网络（RNN）集成，创建了基于神经普通微分方程（NODE）和神经受控微分方程（NCDE）的NODE-RNN和NCDE-RNN模型。理论分析表明，这种混合模型在事件驱动动态突变响应和梯度传播稳定性方面具有数学优势。使用PIN二极管在高功率微波环境中的真实数据进行验证，结果表明NCDE-RNN在传统NCDE基础上提高了33%的拟合精度，NODE-RNN相对于CTRNN提高了24%，尤其在捕捉非线性记忆效应方面表现突出。该模型已成功部署于Verilog-A并通过电路仿真验证，确认其与现有平台的兼容性和实际价值。这种混合动力学范式通过重构神经微分方程求解路径，为高精度电路时域建模提供新思路，对复杂非线性电路系统建模具有重要意义。
引用
@article{arxiv.2503.22313,
title = {Hybrid Time-Domain Behavior Model Based on Neural Differential Equations and RNNs},
author = {Zenghui Chang and Yang Zhang and Hu Tan and Hong Cai Chen},
journal= {arXiv preprint arXiv:2503.22313},
year = {2025}
}
备注
7 pages,5 figures