Uncertainity quantification and performance comparison for various RF circuit topologies

Abstract

RF/Analog devre tasarımlarında bir takım simülasyon araçları kullanılmaktadır. Keysight ADS, CST Design Studio, Cadence AWR vb. bu simülasyon araçlarında istenilen devre amacı için bir takım hedefler belirlenir. Devreler bu amaçlara göre optimize edilmeye çalışılır. Bu çalışma için iletim hattı filtresi kullanılan bir filtre örneğini ele alırsak, simülasyon aracına bu filtre için hangi frekansları ne kadar bastıracağı söylenir, simülasyon aracı binlerce işlem yaparak istediğimiz özelliklere en yakın sonuçları bulmaya çalışır.Bu çalışmada, benzer optimizasyon süreçleri için makine öğrenmesi yöntemleri ile doğru sonuçların alınabileceği gösterilmiştir. Bu sayede optimizasyon için her seferinde ağır işlemler ve bir takım elektromanyetik hesaplamalar yapılmasına gerek kalmayacaktır. Bu çalışmada, 1GHz'den 10GHz'e kadar çalışabilen bir filtre için bir takım makine öğrenmesi teknikleri uygulanmış ve son olarak bunun sonucunda istenilen bir filtre özelliği için gerekli filtre parametrelerinin elde edilebileceği karşılaştırmalı olarak gösterilmiştir.Makine öğrenimi uygulamalarını eğitmek için, MATLAB'da modellenen filtrenin her bir iletim hattının karaktersitik empedansı 30 Ohm ile 90Ohm arasında birer Ohm farkla tekrar tekrar simule edilerek veri seti elde edilmiştir.A number of simulation tools can be used in RF/Analog circuit designs. In these simulation tools like Keysight ADS, CST Design Studio, Cadence AWR etc. a number of targets are set for the desired circuit purpose. Circuits are tried to be optimized according to these goals. If one considers a filter example which is used a transmission line filter for this study the simulation tool is told which frequencies and how much to suppress for this filter, the simulation tool tries to find the closest results to the characteristics we demand by making thousands of trials. In this study, it has been shown that correct results can be obtained with machine learning methods for similar optimization processes. In this way, it will not be necessary to carry out heavy operations and evolutionary electromagnetic computations for each time for optimization. In this study, a number of machine learning techniques have been applied for a filter that can operate from 1GHz to 10GHz. Finally, it has been shown comparatively that the filter parameters required for a desired filter characteristic can be obtained as a result of this machine learning application. In order to train machine learning applications mentioned filter modeled in MATLAB and data collected for characteristic impedance(Z0) ranges from 30Ohm to 90 Ohm for each of transmission lines.