基于机器学习算法的极高频强非线性功率晶体管的建模研究

With the development of telecommunication technology, the fifth generation wireless communication system (5G) has become the focus of global telecommunications industry. In order to improve the communication data rate and meet the requirements of new communication solutions (e.g. Internet of Things), 5G will use extremely high frequency (EHF) (such as 28GHz from Ka-band or 60GHz from V-band) as communication band, which will bring great innovation with challenge to the existing communication systems. A novel modelling technique based on machine learning algorithm is proposed in this project, which targets at the power transistors’ strong nonlinear issue when they were driven by large EHF band signal. By employing the machine learning based behavioural modelling technique, and also the mixed modelling technique which combine the machine learning algorithm and traditional equivalent circuit method, the strong nonlinear behavioural of the power transistors under EHF band large excitation could be accurately described. The new technique is naturally suit for describing the multidimensional characteristics of power transistors. It also greatly alleviates the over-fitting problem in the existing behavioural modelling method, and makes modelling work more intelligent simultaneously. With the assist of the novel modelling technique, the circuit design for 5G system will become more efficient and intelligent.

随着通讯技术发展，第五代移动通讯系统（5G）成了全球通讯业关注焦点。为了提高通讯速率，满足新的通讯方案需求（如物联网），5G将采用极高频（如Ka 波段的28GHz或V波段的60GHz）作为通讯频段，因此现有的通讯系统将面临巨大的革新与挑战。本课题针对极高频功率晶体管的强非线性问题，提出基于机器学习算法的建模技术。通过基于机器学习算法的行为模型建模方案，以及基于机器学习算法和传统等效电路方法的混合建模方案，将精确描述功率晶体管在极高频大信号激励下的强非线性行为特性。该建模技术非常契合功率晶体管在强非线性条件下所表现出的多维问题特性，同时将解决现有行为模型中的过拟合等问题，并使建模更加智能。最终该类模型将被应用于5G通讯电路的辅助设计中，帮助实现通讯电路的智能化设计。

针对5G时代下新一代功率晶体管的多维强非线性建模问题，本项目开展了若干方面的研究。首先，本项目分析研究了新一代氮化镓晶体管在不同输入功率下的负载牵引行为特性，基于多种建模方法，包括神经网络（ANN）、贝叶斯推论、以及支持向量机算法等来对其非线性特性进行建模，提升模型的精度同时，拓展模型涵盖的维度，从而降低模型的复杂度。其次本项目探索了纯黑黑子行为建模与等效电路建模相结合的混合建模技术，使模型保留各自的优点，并建立宽带非线性模型；最后本项目研究了基于非线性行为模型的宽带高效率功率放大器的设计，从而进一步验证模型的有效性。.经过三年时间的项目研究，陆续开发出基于机器学习技术的针对不同输入功率状态下的功率管非线性行为建模方法、针对不同工作频率下的非线性负载牵引行为建模方法，基于混合建模技术的宽带非线性行为建模方法，基于非线性行为模型的宽带高效率功放设计方法，基于机器学习技术的功放在宽带信号激励下的非线性行为建模方法等关键技术研究，形成了一整套在5G时代功率晶体管建模、功率管大信号模型的功率放大器辅助设计、以及功率放大器非线性行为特性分析的完整理论，具有重要的科学和相应的应用价值。.在本项目的支持下，累计发表SCI论文15篇、EI收录学术会议论文12篇，申请发明专利 3 项（全部处于实质审查状态），以上成果均已标注本项目资助号（61701147）。以本项目为基础，项目负责人进一步获得题为“基于人工智能技术的毫米波功率放大器智能设计关键技术研究”的国家自然科学基金面上项目的资助（61971170）。至今，本项目合计培养研究生7人。