MPCDNet：一个基于深度学习的微波无源元件设计网络

《IEEE Transactions on Microwave Theory and Techniques》：MPCDNet: A Deep Learning-Based Microwave Passive Component Design Network

该研究提出基于深度学习的微波无源元件设计网络MPCDNet，通过二进制矩阵表示参数与结构建模过程，利用Transformer模型处理序列数据实现自动联合建模，实验表明对差分传输线和耦合器的建模速度分别提升30倍和120倍，支持可扩展至2^n种结构配置的多样性设计。

　　

摘要：

为了丰富设计几何形状并缩短研发周期，本文提出了一种基于深度学习的微波无源元件设计网络（MPCDNet），该网络能够同时自动地对不同结构和参数进行建模。首先，对建模参数进行离散化处理，以确保与结构建模的一致性，从而使参数和结构建模过程以二进制矩阵的形式表示。接下来，将微波无源元件的设计视为一个序列建模任务。通过多层变换器模型，对输入序列进行深度建模，以捕捉输入属性与其响应之间的复杂映射关系。最后，通过差分传输线和差分耦合器验证了所提出网络的有效性。实验结果表明，与HFSS仿真相比，该网络能够快速同时建模微波无源元件的结构和参数特性，并提供精确的性能预测：差分传输线的建模速度提高了30倍，差分耦合器的建模速度提高了120倍；同时，该网络的结构多样性可扩展至n种配置（n为子单元数量）。

引言

微波无源元件在电子系统中至关重要。其中，射频前端的无源差分元件（如差分传输线和差分耦合器）在信号传输中起着关键作用。这些元件能够传输和处理信号，直接影响信号传输质量、系统性能和设备可靠性[1]。