Ученые МИЭМ ВШЭ совместно с коллегами из МТУСИ впервые реализовали новый подход к проектированию микроволновых фильтров — генеративный синтез с применением средств машинного обучения. Предложенный подход помогает сократить цикл разработки фильтров с нескольких дней до нескольких минут и в перспективе может применяться для разработки других приборов и устройств микроволновой электроники. Результаты работы были представлены на Международной конференции IEEE «2026 Systems of signals generating and processing in the field of on board communications».
Микрополосковые компоненты — топологические элементы печатной платы, которые обеспечивают передачу, прием и обработку радиочастотных или микроволновых сигналов. Их используют в телекоммуникациях, спутниковой навигации, беспроводной связи, радиолокации и других системах. Такие компоненты ценят за компактность, сравнительно невысокую стоимость производства и за то, что их можно изготавливать прямо на плате, без дополнительных деталей и сложной сборки.
Но проектировать такие устройства непросто. Их работа сильно зависит от топологии: геометрических размеров дорожек, расстояний между ними, формы и вида резонаторов. Даже небольшие отклонения от топологических размеров могут изменить характеристики устройства — например, настройку на нужный диапазон частот или уровень отраженного сигнала. Поэтому параметры приходится подбирать очень точно.
Обычно для этого используют аналитические методы и системы автоматизированного проектирования. Но полностью автоматизировать процесс не получается: инженерам все равно приходится проводить множество электромагнитных симуляций и вручную подбирать параметры. Особенно сложно, когда нужно учитывать сразу много факторов. Кроме того, связь между топологией устройства и его характеристиками часто оказывается нелинейной: небольшое изменение геометрических размеров может непропорционально повлиять на работу устройства, и предсказать это заранее трудно. В результате проектирование превращается в длительный перебор вариантов.
Генеративный синтез микроволновых устройств с применением машинного обучения помогает упростить этот процесс. Этот новый подход впервые разработала и применила научная группа МИЭМ ВШЭ под руководством профессора Андрея Елизарова и руководителя студенческого проекта Артема Кацнельсона при участии коллег из МТУСИ — профессора Григория Аристархова и старшего преподавателя Олега Аринина. Решение задачи синтеза с использованием алгоритмов машинного обучения позволяет сгенерировать топологию устройства и его геометрические размеры по заданным электрическим характеристикам и параметрам.
«Большинство продуктов для проектирования микроволновых устройств решают задачу анализа. Но это обеспечивается длительной серией итераций: по заданной топологии устройства выполняются многочисленные варианты компьютерного моделирования, и по полученным характеристикам геометрические размеры устройства оптимизируются и корректируются. Мы предложили заменить этот процесс решением обратной задачи — генеративного синтеза микроволновых устройств с применением алгоритмов машинного обучения. При этом по заданным электрическим характеристикам и параметрам фильтра моделируется топология и рассчитываются его геометрические размеры», — комментирует Андрей Елизаров.
Исследователи получили структурированный набор данных (датасет) из 16 250 параметрических конфигураций микрополосковых фильтров, который был сгенерирован с помощью написанного авторами автоматизированного конвейера на Python и программного обеспечения CST Studio Suite. На этих данных они обучили и сравнили четыре алгоритма машинного обучения. Самым точным оказался XGBoost: средняя ошибка при расчете десяти целевых параметров фильтра составила 0,51 процента.
Дополнительная проверка подтвердила, что предложенный авторами подход учитывает реальные физические закономерности, а не просто опирается на совпадения из обучающей выборки. Это позволяет обеспечить как синтез топологии и геометрических размеров фильтра по заданным характеристикам, так и оценку свойств уже готовой конструкции. По словам авторов, генеративный синтез с использованием машинного обучения сокращает время проектирования с нескольких дней работы инженеров до нескольких минут. В дальнейшем разработанный программный продукт можно интегрировать в системы автоматизированного проектирования и использовать при разработке других изделий микроволновой электроники.