Расчет погонных параметров многопроводных микрополосковых линий передачи с использованием моделей машинного обучения

Постановка проблемы. Расчет погонных RLGC-параметров микрополосковых линий передачи является неотъемлемой частью анализа и проектирования СВЧ-устройств. Для связанных многопроводных структур данная задача требует учета взаимных электромагнитных связей и, как правило, решается с применением численных электромагнитных методов, обеспечивающих высокую точность. Вместе с тем значительные вычислительные затраты таких методов существенно ограничивают их использование при многократных расчетах, характерных для задач автоматизированного проектирования, параметрического анализа и оптимизации. В условиях повышения требований к быстродействию современных систем автоматизированного проектирования актуальной является задача разработки альтернативных подходов, позволяющих существенно сократить время вычислений при сохранении требуемой точности. Одним из перспективных направлений решения данной задачи является применение технологий машинного обучения для построения суррогатных моделей, обеспечивающих быстрый расчет параметров линий передачи на основе данных, полученных численными методами или при помощи измерений.

Цель. Исследовать применимость методов машинного обучения для ускоренного расчета матриц погонных RLGC-параметров одиночных и связанных микрополосковых линий передачи.

Результаты. Рассмотрено применение моделей полиномиальной регрессии, дерева решений, случайного леса и искусственной нейронной сети для расчета матриц погонных RLCG-параметров. В качестве эталонных данных использованы результаты электростатического моделирования методом моментов для 96 000 конфигураций линий на частоте 1 ГГц. Показано, что наилучшие результаты обеспечивает модель искусственной нейронной сети, достигающая средней относительной погрешности 1,06% по сравнению с численным моделированием. Дополнительно проведена валидация предсказанных RLGC-параметров путем анализа временного отклика линий передачи на импульсное воздействие, что подтвердило физическую корректность полученных решений.

Практическая значимость. Использование нейросетевой модели позволяет сократить время вычислений минимум в 3 раза по сравнению с прямым моделированием при сохранении приемлемой точности, что подтверждает перспективность применения методов машинного обучения в современных системах автоматизированного проектирования.