面向精准且数据高效的射频电路性能预测的 RF-信息图神经网络
机器学习
2026-03-11 v2
摘要
准确预测主动射频（RF）电路的性能对于现代无线系统至关重要，但由于高度非线性、布局敏感性及传统仿真工具的高计算成本，这一任务仍具有挑战性。现有的机器学习（ML）替代方案要么需要大量数据才能在各种拓扑结构上泛化，要么在未见电路上不够精确。本工作提出了一种轻量级、数据高效且拓扑感知的图神经网络（GNN）框架，用于预测主动 RF 电路类别（如低噪声放大器（LNA）、混频器、可控振荡器（VCO）和功率放大器（PA））的关键性能指标。该框架采用 RFIC 领域信息化特征索引，通过对功能器件语义（如差分对和 varactor 晶体管）的廉价编码实现跨拓扑适应性和高效知识迁移。该替代模型使用器件-端子图抽象表示电路，以保留细粒度的连通性和晶体管级对称性。最终模型通过并行训练被泛化到多种类别。实验结果表明，准确建模了多模态和重尾 RF 性能分布，平均相对误差（MRE）为 3.45%，较先前方法提升了 9.2 倍。此外，该方法在类别级泛化性能上较先前作提升约 161 倍，显示其对可扩展且部署就绪的 RF 设计自动化非常有效。
引用
@article{arxiv.2508.16403,
title = {RF-Informed Graph Neural Networks for Accurate and Data-Efficient Circuit Performance Prediction},
author = {Anahita Asadi and Leonid Popryho and Inna Partin-Vaisband},
journal= {arXiv preprint arXiv:2508.16403},
year = {2026}
}
备注
This work has been submitted to the IEEE for possible publication