一种基于毫米波芯片的仅透射去嵌入方法，该方法利用了一维卷积神经网络（1D-CNN）和基于物理的向量拟合技术

《IEEE Transactions on Microwave Theory and Techniques》：A Millimeter-Wave On-Chip Thru-Only De-Embedding Method Leveraging 1D-CNNs and Physics-Based Vector Fitting

　　毫米波芯片级低成本去嵌入方法PVCT，融合物理矢量拟合（VF）与1D-CNN，仅需单假负载实现高精度（R2>0.99）建模，蒙特卡洛分析考虑加工公差，通过曲线映射构建去嵌入模型，仿真验证有效工作频段达67GHz。

　　

摘要：

本文提出了一种适用于毫米波（mm-wave）芯片应用的低成本去嵌入方法。对于传统的去嵌入方法，需要在适用频率和仿真元件数量之间进行权衡。为了解决这一限制，本文提出了一种基于物理原理的向量拟合（VF）和卷积神经网络（CNN）相结合的去嵌入方法（PVCT去嵌入方法）。通过引入机器学习（ML），该方法仅使用一个仿真元件即可实现高精度的去嵌入。基于物理原理的VF技术能够准确描述高频寄生效应，用于构建测试夹具和仿真元件的等效电路模型。为了更好地模拟实际嵌入场景，还利用多项式模型对探针接触阻抗进行了建模。得益于这些非电磁等效模型，通过蒙特卡洛分析生成了快速且具有物理意义的数据集，同时考虑了加工公差的影响。采用实现“曲线到曲线”映射概念的一维卷积神经网络（1D-CNN）来高效训练测试夹具响应预测模型。一旦确定了测试夹具的响应特性，即可进行级联去嵌入处理。使用三种不同测试夹具进行的仿真结果验证了PVCT方法的可行性，其预测准确率超过0.99。此外，还制造并测试了单端电感器和差分变压器及其对应的去嵌入仿真元件，证明了该方法在高达67 GHz频率范围内的有效性（受仪器性能限制）。