Transformer-Designs: 30 % bessere Genauigkeit dank Frequenz-Transferlernen

In einer neuen Studie wurden mehrere Machine‑Learning‑Modelle – von klassischen MLPs über CNNs bis hin zu UNet‑ und Graph‑Transformer‑Architekturen – systematisch auf ihre Leistungsfähigkeit bei der Vorhersage von S‑Parametern von RF‑Transformatoren (XFMRs) geprüft. Dabei wurden dieselben Datensätze für verschiedene Topologien verwendet, sodass die Modelle fair verglichen werden konnten.

Um die Genauigkeit noch weiter zu steigern, wurde ein innovatives Verfahren namens „Frequency‑Domain Self‑Transfer Learning“ entwickelt. Dieses nutzt die Korrelationen zwischen benachbarten Frequenzbändern und führt zu einer Verbesserung der Vorhersagegenauigkeit um 30 % bis 50 %. Damit wird die Modellierung von RF‑Transformatoren deutlich zuverlässiger.

Auf Basis dieser verbesserten Surrogatmodelle entstand ein inverses Design‑Framework, das die Covariance‑Matrix‑Adaptation Evolutionary Strategy (CMA‑ES) nutzt. In mehreren Impedanz‑Matching‑Aufgaben zeigte das System rasche Konvergenz und hohe Zuverlässigkeit. Die Ergebnisse ebnen den Weg für eine vollautomatische Spezifikations‑zu‑GDS‑Übersetzung in RF‑IC‑Designs und geben Ingenieuren praktische Werkzeuge an die Hand, um KI in ihre Arbeitsabläufe zu integrieren.