用于电磁求解器 S 参数曲线拟合的一维深度图像先验
机器学习
2023-06-08 v1 人工智能
信号处理
摘要
在对 IC 封装中无源滤波器和互连进行信号完整性建模时的一个关键问题，是需要在期望频带内进行多次 S 参数测量以获得足够分辨率。这些样本通常使用电磁 (EM) 场求解器获得，计算代价高昂。因此，一种常见方法是选取必要样本的一小部分，并使用合适的拟合机制来重建密集采样的宽带表示。我们提出了首个基于深度生成模型的方法，利用一维深度图像先验 (DIP) 来拟合来自 EM 求解器的 S 参数。DIP 是一种优化随机初始化的卷积神经网络权重、以从含噪或欠定测量中拟合信号的技术。我们设计了一种自定义架构，并提出了一种受平滑样条启发、惩罚不连续跳变的新正则化方法。我们在实验上将 DIP 与公开可用及专有的 Vector Fitting (VF) 工业实现（拟合 S 参数的行业标准工具）进行比较。相对于公开可用的 VF 实现，我们的方法仅使用 5–15% 的频率样本，在几乎所有测试样例上都展现出更优性能。我们的方法也与专有 VF 工具具有竞争力，并常在具有挑战性的输入实例上优于它们。
引用
@article{arxiv.2306.04001,
title = {One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers},
author = {Sriram Ravula and Varun Gorti and Bo Deng and Swagato Chakraborty and James Pingenot and Bhyrav Mutnury and Doug Wallace and Doug Winterberg and Adam Klivans and Alexandros G. Dimakis},
journal= {arXiv preprint arXiv:2306.04001},
year = {2023}
}