MOTIF-RF：面向射频集成电路设计自动化的多模板变换器综合， incorporating 频域自迁移学习
机器学习
2025-12-01 v1 信号处理
摘要
本文系统性地研究了开发多模板机器学习（ML）代理模型并将其应用于射频集成电路（RFIC）中变换器（XFMRs）的逆设计。我们的研究首先通过基准测试四种广泛使用的 ML 架构（包括 MLP、CNN、UNet 和基于 GT 的模型），在不同 XFMR 拓扑结构下使用相同数据集。为提升这些基线模型之外的建模精度，我们提出了一种新的频域自迁移学习技术，利用相邻频段之间的相关性，实现约 30%~50% 的 S 参数预测精度提升。基于这些模型，我们进一步开发了一个基于协方差矩阵适应进化策略（CMA-ES）算法的逆设计框架。该框架通过多个阻抗匹配任务进行验证，所有任务均显示出快速收敛和可靠的性能。这些结果推动了 AI 辅助的规格转 GDS 自动化目标 for RFICs，并为 RFIC 设计师提供了可行的工具，帮助其将 AI 集成到工作流程中。
引用
@article{arxiv.2511.21970,
title = {MOTIF-RF: Multi-template On-chip Transformer Synthesis Incorporating Frequency-domain Self-transfer Learning for RFIC Design Automation},
author = {Houbo He and Yizhou Xu and Lei Xia and Yaolong Hu and Fan Cai and Taiyun Chi},
journal= {arXiv preprint arXiv:2511.21970},
year = {2025}
}
备注
Accepted at ASP-DAC 2026