基于深度神经网络的自动化变压器设计，用于多级宽带毫米波功率放大器

《IEEE Transactions on Microwave Theory and Techniques》：Deep-Neural-Network-Based Automated Transformer Design for Multistage Wideband Millimeter-Wave Power Amplifiers

提出一种基于深度神经网络的自动化1:1变压器设计流程（DNN-ATD），用于多级宽带毫米波功率放大器（PA），通过代理电磁求解器和饱和输出功率预测模型显著缩短设计周期。测试表明在130nm SiGe工艺下，设计的PA实现了20-60GHz和40-100GHz频段的高性能指标。

　　

摘要：

本文提出了一种基于深度神经网络（DNN）的自动化1:1变压器设计（DNN-ATD）流程，用于多级宽带毫米波（mm-wave）功率放大器（PA）。在所提出的DNN-ATD中，两个DNN将变压器的物理尺寸映射到相应的参数上，这些参数作为变压器的替代电磁（EM）求解器。另一个DNN将输出变压器的物理尺寸映射到PA的饱和输出功率上，该参数作为PA的替代饱和度求解器。通过使用这些替代求解器，每个PA的平均评估时间为1.1毫秒，从而能够快速全局搜索变压器设计空间中的最佳PA性能。作为概念验证，使用DNN-ATD对两个频段（20–60 GHz和40–100 GHz）进行了两次PA设计实验，平均每个PA的设计时间为10.6秒。实验结果通过完整的PA的EDA和EM仿真得到了验证，DNN预测的带内绝对误差（MAE）分别为0.59 dB（对于饱和度）和0.54 dB（对于输出功率）。设计的PA采用130纳米硅锗（SiGe）工艺制造。第一个PA的测量工作带宽为19–57 GHz，饱和度范围为18.4至21.7 dB，饱和输出功率为18.2至21.4 dBm，最大功率增益（OP）为1 dB，功率附加效率（PAE）为18.3%。第二个PA的测量工作带宽为40–98 GHz，饱和度范围为13.5至16.9 dB，饱和输出功率为15.8至19.4 dBm，最大功率增益为1 dB，PAE为18.3%。测量结果表明，DNN-ATD流程有效提高了PA设计的效率和准确性。

显示更多