用于微波拓扑建模的跨通道参数化卷积神经网络框架

《IEEE Transactions on Microwave Theory and Techniques》：A Cross-Channel Parametric CNN Framework for Microwave Topology Modeling

电磁拓扑设计高效建模方法及优化策略

　　

摘要：

拓扑设计已成为电磁（EM）设计领域中一种高效的方法。尽管进行了大量研究，但准确建模高性能拓扑结构仍然是一个巨大的挑战。本文提出了一种先进的卷积神经网络（CNN）架构，名为跨通道参数化小卷积网络（CCP-SConvNet），专门用于微波拓扑建模。该网络结合了CCP池化机制和多个小卷积滤波器，以实现细粒度的空间抽象和自适应的通道间信息融合。因此，与传统的CNN相比，CCP-SConvNet在提高预测准确性和鲁棒性的同时减少了参数数量。为了确保可制造性，提出了一种改进的广度优先搜索（BFS）算法，用于消除悬挂金属元素等非物理结构，从而减少了模型开发所需的训练数据量。通过将动态数据生成与联合优化策略相结合，所提出的框架进一步减轻了对大型数据集的依赖，并加快了整体设计过程。CCP-SConvNet为全波EM仿真提供了一种快速且成本效益高的替代方案，能够高效地对微波拓扑组件进行建模和优化。通过三个代表性案例验证了CCP-SConvNet的有效性和鲁棒性：一个工作在11–13 GHz的单极波导滤波器的预测误差为3.56%，一个工作在7.4–8.8 GHz的三极波导滤波器的误差为2.82%，以及一个工作在1.2–2.8 GHz的微带线滤波器的误差为3.36%。通过改进的BFS策略，该模型将所需的训练数据量减少了90%，并将EM仿真的时间从几分钟缩短到了几毫秒。单极滤波器已经制造完成并通过实验进行了测量，测量结果与预测参数之间表现出良好的一致性。