迁移学习辅助的mm波被动网络快速设计迁移：基于Transformer匹配网络的研究
信号处理
2025-03-12 v2
摘要
本研究引入一种创新方法，用于设计mm波被动网络，利用来自一个集成电路（IC）技术节点上预训练合成神经网络（NN）模型的知识，实现跨不同IC技术、工作频率和金属选项的快速可靠设计迁移。我们通过仿真演示证明了这一概念，重点比较在全球仪器公司（GlobalFoundries, GF）22nm FDX+（目标域）和GF 45nm SOI（源域）中，针对1:1型车间变压器的合成NN的决定系数（R2）训练情况。实验中，我们探索了目标数据密度为0.5%、1%、5%和100%的情形，完整数据集为GF 22FDX+中的0.33百万，针对比较分析，应用源数据密度为25%、50%、75%和100%，完整数据集为GF 45SOI中的2.5百万。在仅使用30GHz源数据的情况下，实验覆盖GF 22FDX+中两个金属选项在30GHz和39GHz频率的目标数据。结果表明，利用源域知识（GF 45SOI）进行迁移学习既能加速目标域（GF 22FDX+）的训练过程，又能提高R2值。此外，观察到仅使用5%目标数据并经迁移学习增强的模型，其R2值优于不使用迁移学习、仅使用20%数据的模型。这表明了从1%到5%数据密度所见的显著数据集大小减少（约4倍），凸显了利用迁移学习进行mm波被动网络设计的有效性。相关的PyTorch学习与测试代码已公开发布于https://github.com/ChenhaoChu/RFIC-TL。
引用
@article{arxiv.2502.18636,
title = {Transfer Learning Assisted Fast Design Migration Over Technology Nodes: A Study on Transformer Matching Network},
author = {Chenhao Chu and Yuhao Mao and Hua Wang},
journal= {arXiv preprint arXiv:2502.18636},
year = {2025}
}
备注
Publihsed and Presented at IEEE MTT-S International Microwave Symposium (IMS 2024), Washington, DC, USA