基于深度神经网络的传输线插入损耗物理约束建模
机器学习
2021-10-15 v2 数值分析
数值分析
摘要
本文研究关于设计参数的传输线插入损耗的数据驱动参数化建模。我们首先表明直接应用神经网络会导致具有负插入损耗的非物理模型。为缓解该问题，我们提出两种深度学习解决方案。一种方案是在最终损失函数中加入表示无源条件的正则项，以强制插入损耗为负量。在第二种方法中，首先定义一个确保正性的三阶多项式表达式来近似插入损耗，然后采用近期提出的用于函数和系统化建模的 DeepONet 神经网络结构来建模多项式的系数。所得神经网络用于预测多项式表达式的系数。在一个开源的 PCB 设计 SI/PI 数据库上的实验结果表明，两种方法均能确保插入损耗的正性。此外，两种方法可达到相似的预测结果，而基于多项式的 DeepONet 方法在训练时间上快于基于 DeepONet 的方法。
引用
@article{arxiv.2107.12527,
title = {Physics-Enforced Modeling for Insertion Loss of Transmission Lines by Deep Neural Networks},
author = {Liang Chen and Lesley Tan},
journal= {arXiv preprint arXiv:2107.12527},
year = {2021}
}