（本页是纯文字版，点此阅读完整版全文）

重塑射频EDA中下一代仿真的可能性

Cedric Pujol and Matt Ozalas，是德科技；Don Dingee，STRATISET

一直以来，工程师在购买CAD软件时都有一个隐含的认识，即他们的硬件设计流程必须符合特定软件工具的工作方式。供应商定义其用户界面和功能，希望尽可能多地覆盖设计流程。工程团队的工作流程中有各种各样的任务，并为这些任务寻找或创建工具。切换套件中的任何工具通常都意味着改变完成任务所需的步骤，有时甚至是整个设计工作流程。

随着硬件复杂性的提高，设计人员开始需要多种软件工具来完成工作流程中的所有任务。客户通常会根据其特定的EDA需求，选择供应商和自制工具的组合，从而增加了添加或切换工具的难度。行业互操作性倡议（如Si2的OpenAccess标准）通过实现EDA数据仓库与API的标准化，使供应商提供的集成方案更紧密，同时为行业发展开辟了更优路径。尽管如此，将射频仿真器集成到现代工作流程中仍然具有挑战性，这促使我们寻求新的解决方案。

是德科技的研究人员正在为适合复杂高频射频设计的全新射频仿真器设想一个不同的方向，通过一个全新的可编程控制、可扩展平台保留集成优势。这项研究加深了测量与仿真技术之间的联系。是德科技探讨了开发新一代射频仿真器的动机、设计人员的工作效率如何在研究成果的帮助下发生转变，以及该仿真器在自动化射频设计工作流程中提供的可能性，包括人工智能的作用。

编程控制射频仿真的动机

软件开发团队力求将客户需求与研发知识、产品内部实施秘籍以及实现变更所需的资源相结合，并确定优先次序。如果一种软件工具被广泛采用，就很难在保持最先进的核心引擎的同时进入不同的设计空间。技术的扩展可能会带来先进的功能，但所需的引擎修改会限制或排除在没有巨大风险或成本的情况下增加这些功能。终有一天，对于开发者和用户而言，告别过去、创建全新引擎架构和代码库将成为更好的选择，这就好比购买一台新电脑比升级旧电脑更划算。

射频仿真器作为驱动现代射频EDA工作流程的引擎，也不例外。是德科技的射频仿真技术与其测量科学同步发展。这一理念帮助先进设计系统（ADS）成为复杂射频设计的关键平台，并具有广泛的电路电磁（EM）协同仿真能力。

不过，还有更多可能。在射频EDA中重新想象下一代仿真的可能性，始于是德科技意识到之前的射频仿真器引擎非常复杂，但在其界面后面隐藏了大量信息，使其无法访问。是德科技的研究人员受测量工作流启发，通过重构精简型射频仿真器，创建更多编程执行控制接口，利用中间数据并将功能特性与实际工程设计流程相匹配，探索了技术创新的可能性。从这个角度来看，仿真引擎变得更像测量仪器：可移植、可自动化、可插入许多不同的工作流程。这种好奇心揭示了一个高风险项目的几个动机。

实现用户界面现代化，简化示意图：用户界面设计直接影响用户对易用性的看法。功能强大的工具可直接从原理图界面启动仿真，避免为处理特定仿真而创建衍生原理图。布局与原理图（LVS）验证可以更加直接；以前的射频仿真器会在原理图上插入仿真器控制器、探针（见图1）和其他信息，需要将这些信息剥离出来才能进行无差错验证。

提供控制用户界面和仿真调用的方法：Python脚本调用应用程序接口（API）是以前仿真器的一种流行补充。不过，在扩展和定制用户界面以及引入标准Python分析功能方面还有更多机会。同样存在通过命令流调用仿真的可能性，甚至可绕过仿真器用户界面（无头模式），由ADS或其他工作流工具直接发起调用。

将仿真分析从工作流任务中分离出来，加快分析速度：撇开语义不谈，仿真有两个不同的步骤：选择一个分析（如S参数、包络或谐波平衡）和设置一个任务（即一系列分析，如扫描或优化）。简而言之，分析定义行为评估，而任务则控制分析如何执行（见图2）。一旦区分开来，就可以实现更高效的并行化和显著的提速。

用于定义扫描、优化和可视化的预处理：通过用户界面对仿真进行细粒度参数控制是必要的，但这还不足以提高仿真效率。用户通常会对数据显示进行后处理，以提取和可视化数据子集（例如，放大频率范围），但仿真却要在整个数据集上运行。预处理可定义可重复使用的表达式，在仿真、分析或任务中进行评估，并增强Python对结果的过滤能力（见图3）。将仿真预处理与优化和绘图自动绑定，还能在工作流程中节省更多步骤。

捕获并共享仿真、显示和优化参数：控制大量仿真参数是一个优点，但也会带来潜在的可追溯性问题。使用完全相同的参数设置重现昨天、上周或上个月运行的仿真结果可能会令人生畏。在测量领域，嵌入仪器中的例程可提供可重现的规格符合性测试。类似的方法还引入了"性能"，它可以捕捉设置、表达式、过滤器、优化和规范，从而实现可追溯、可重复使用和可共享的仿真。

通过并行化提高10倍优化速度：虽然以前的射频仿真器中存在良好的算法，但随着频率的提高、异构技术的集成和规格的收紧，优化工作仍然面临挑战。一个重要的障碍是从单个优化子系统转向整个设计全局优化的更大问题。例如，频带滤波器可能有10个或更多频带一起工作，一个频带的泄漏会影响其他频带的性能。另一个例子是在不同的角（corner）上进行优化，以找到最小化过程损伤影响的值。联合优化增加了优化的领域空间和多维表面。此外，在异构情况下，各个子系统可能来自不同的设计平台，这也增加了全局优化的难度。新算法和多线程并行执行可将执行速度提高一个数量级。

建立灵活的许可证制度，使团队能够立即获得所引入的功能：在某些情况下，许可证也会阻碍仿真用户的使用。行业趋势承认不同的生命周期。团队希望设计平台更加稳定，每年更新一次、两次或三次。射频设计人员则倾向于在修复和功能发布后几周甚至几天内按需更新仿真器。模块化仿真器可以在不改变底层平台的情况下进行更新，从而解决了一些问题。随着设计工作流程的变化，无需重新授权即可使用任何仿真器功能（包括最新发布的功能）的灵活授权方式也将得到改进。

当然，这些动机与增加和增强仿真器分析类型并提高其原始执行速度的持续努力是并存的。例如，增益压缩增强和针对高带宽信号影响的内存模型改进工作仍在继续。射频仿真器的主要任务仍然是提供准确性，但不牺牲时间。在对复杂的射频设计进行深入分析的同时，解决这些程序控制的动机，将工作流程的生产率提高到另一个水平。

围绕射频仿真器提高设计人员的工作效率

是德科技以前的射频仿真器可以实现其中一些生产率提升，但是德科技平台与非是德科技平台之间存在明显差异。新一代射频仿真器射频电路仿真专业版凭借其模块化功能，为各种设计和布局平台的用户进一步拓展了可能性。现在，无论设计团队选择何种平台，都能获得相同的核心射频仿真器功能。

让设计团队有更多机会使用射频仿真器，为复杂问题开辟了新的解决方案，甚至是设计团队以前在"足够好"的工作流程中通过一些妥协、假设或最佳猜测而避免或绕过的解决方案。四个示例说明了在支持API的设计平台中通过编程控制可以立即实现的功能。

使用Python访问仿真器

许多用户都熟悉Python脚本，可用于基本的用户界面定制、数据可视化和经常重复的格式转换。Python生态系统的快速发展引入了强大的功能，设计人员可以轻松地将其融入工作流程。添加后处理功能并像使用内置仿真器功能一样使用它们是一项新功能。例如，设计人员可以删除仿真器数据显示中的几十个方程式，代之以一个可重复使用、可升级的SciPy函数。

当射频仿真器不再是一个黑盒子并提供Python执行控制时，就会出现更多的可能性。许多用户坚持使用是德科技的优化器，但也有用户针对特定问题开发了自己的优化器。要在外部优化器中添加一个优化器，就意味着是德科技应用和研发团队、设计人员以及参与算法开发的任何第三方之间要进行数月的联合定制工作。现在，使用第三方优化器通过Python脚本和封装器访问射频仿真器的API已变得天衣无缝。人工智能编写的Python代码在另一个层面上提高了工作效率。

将仿真与电路布局区域联系起来，以便排除故障

设计人员庆祝仿真成功。然而，经验表明，第一次设计并不会一帆风顺。当子系统来自不同来源，其中一些由第三方设计时，流程中的障碍就会变得更加常见，例如在许多3DHI项目中。设计人员有自己的布局和不太理想的仿真，但问题出在电路或布局的哪个部分，怎样才能解决这些问题？

在工作流程中，故障排除可能比高效仿真更为重要，因为如果不能快速解决问题，就会耗费时间，导致进度失控。当以前隐藏在仿真器中的信息显现出来时，解决问题就变得简单明了。在ADS中，设计人员可以看到突出显示的布局段，这些布局段会导致任何超出边界的仿真结果。他们不用再猜测问题可能出在哪里，而是可以直接找到具体的问题点进行解决。

通过更大的访问权限获得工作流程的灵活性

查看结构内部具有细粒度的优势。修改物理布局通常需要一连串劳动密集型的手动步骤，这使得创建对许多模型训练工作流程至关重要的扰动具有挑战性。通过访问，一组API命令可以替代任何物理布局或原理图，从而以编程方式修改设计中的所有信息，就好像物理设计是一个Python函数。为了说明这一点，是德科技开发人员设计了一种实用程序，可从物理设计或原理图中提取基于API的Python脚本，运行该脚本即可准确地再现原理图或布局。在此基础上，人类或人工智能编码器可以通过更改功能而不是物理设计本身来操作设计。

功能自动化为通过预训练代理模型来减少仿真或测量时间提供了一条途径。贝勒大学的研究人员最近使用负载-牵引数据说明了这一概念。¹他们的方法使用基于功能化原理图的自动仿真工作流程，为MWT-1晶体管上的各种条件生成等值线。前期仿真收集了1.31亿个点来创建图像，使用Wasserstein生成对抗网络(WGAN)训练人工智能引擎。预训练模型从极其稀疏的数据集中得出完整的仿真或测量轮廓（见图4），使用的点数减少了1500倍。预训练代理建模方法可以捕捉电磁和多物理场效应，缩短物理设计时间。

实现并行优化和可视化

将所有优化功能与任何导入的Python扩展一起引入射频电路仿真专业版，意味着所有算法、并行化和可视化工具都可在任何设计平台上使用。不同平台上的团队还可以无缝共享优化设置。

实时可视化进度（见图5）还能让团队在仿真运行过程中看到结果是否收敛以及如何收敛，从而一目了然地确定算法是否有效或是否需要更改。Optima会自动反馈到主机平台上的设计中。这些可视化在几种情况下都很有用。一种是实时检索测量结果。另一种情况是在误差矢量幅度（EVM）等系统指标发挥作用时，避免近似引发的过度设计至关重要。第三种情况是分析工艺变化，以提高制造产量。

自动射频设计工作流程的可能性

对于在射频EDA工作流程中部署编程控制仿真的设计团队来说，最大的成功可能就在不远的将来。第一个合乎逻辑的结果是建立一个优化器生态系统，让更多的射频研究人员参与其中。创新的第三方或内部研究团队可以在熟悉的Python代码中识别新算法并将其机械化（见图6）。此外，除了以前需要的漫长平台定制周期外，还可能出现一种新的商业模式，即在许多平台上向客户销售优化附加组件。

在定制变得更加直观的后Python时代，存在以下两种可能性。是德科技正在开发一种无代码解决方案，用于使用类似流程图的可视化解决方案进行排序仿真，在单个图表中捕捉需求和工作流程。这种方法的一个显著特点是条件执行，可以根据仿真结果即时调整工作流程。设计人员无需了解应用程序接口（API）的语法，也可以使用Python调用应用程序接口（API）。这种无代码功能将使经验不足的设计人员更容易使用仿真器，并使设计团队更容易分享他们的仿真知识。

最后是人工智能。如前所述，公开仿真器控制功能为人工智能培训创造了条件。它还允许人工智能前端使用自然语言查询，在设计工作流程中运行仿真，或临时调用特定的设计探索。想象一下，在设计评审会或客户会议上，面对演示文稿中没有回答的问题，调用仿真器并改进提示，直到答案在几分钟内出现。将准确性、速度和控制相结合，让更多的设计人员能够进行射频仿真，并取得令人惊叹的成果，因为更好的首次设计成功率和更逼真的虚拟孪生有助于管理不断增长的射频系统复杂性。

参考文献

1. Swindell et al.,“Multi-dimensional Load-Pull Extrapolation for Accelerated Computer-Aided Design (CAD) Simulations,” USNC-URSI NRSM, January 2025.

图1 (a)直接插入温斯洛探针与(b)通过用户界面虚拟插入的示意图。

图2 仿真器用户界面中分析与任务之间的分离。

图3 (a)仿真分析期间评估的表达式，(b)显示结果中曲线上的Python过滤器。

图4 预训练模型得出的负载牵引等值线。来源：Jonathan Swindell，贝勒大学

图5 实时优化将仿真进度与目标进行比较，显示算法的有效性。

图6 改进后的优化为优化器生态系统奠定了基础。