基于多项式混沌展开的电磁优化驱动良率提升方法研究报告

一、 研究团队、发表信息与学术背景

本研究由来自加拿大卡尔顿大学（Carleton University）电子工程系、中国天津大学微电子学院以及广东工业大学计算机学院的联合研究团队完成。主要作者包括张佳楠（Jianan Zhang）、张超（Chao Zhang）、冯峰（Feng Feng）、张伟（Wei Zhang）、马建国（Jianguo Ma）和张齐军（Qi-Jun Zhang）。该研究成果以题为“Polynomial Chaos-based Approach to Yield-Driven EM Optimization”的论文形式，发表于电气电子工程师学会（IEEE）的权威期刊《IEEE Transactions on Microwave Theory and Techniques》2018年7月第66卷第7期。

本研究的核心科学领域是微波电路与器件的计算机辅助设计（CAD），具体聚焦于良率驱动（Yield-Driven）的电磁（Electromagnetic, EM）优化。在现代微波器件（如滤波器、耦合器等）的制造过程中，几何尺寸和材料属性不可避免地存在随机波动（不确定性）。这些制造公差会导致最终产品的性能偏离设计预期，从而影响良率（即满足所有设计规格的合格产品比例）。因此，在设计阶段进行良率驱动的优化，寻找对制造波动不敏感的最优设计点（即“名义点”），对于提升产品可制造性和降低成本至关重要。

然而，传统的良率驱动优化方法（如基于蒙特卡洛分析的方法）在应用于电磁仿真时面临巨大挑战。电磁仿真计算成本高昂，而蒙特卡洛方法需要海量的随机样本进行统计评估，在优化迭代中反复调用将导致计算量无法承受。虽然已有一些方法（如空间映射技术）试图通过构建廉价代理模型来缓解此问题，但它们通常依赖于等效电路模型，而在许多实际复杂结构中，这样的模型可能并不存在或难以获得。

近年来，多项式混沌展开（Polynomial Chaos, PC） 方法作为一种高效的不确定性量化（Uncertainty Quantification） 工具，在电磁统计分析和良率估计中展现出显著优势，能以远少于蒙特卡洛的样本数精确捕捉响应的统计特性。然而，如何将PC方法从良率*估计*有效拓展至良率*优化*，仍是一个开放课题。良率优化与估计的关键区别在于，优化的目标是寻找最优的名义点，而名义点本身在迭代过程中是变化的变量。这要求优化算法能高效、准确地评估每个候选名义点对应的良率及其梯度信息。

为此，本研究旨在解决这一核心难题：首次将多项式混沌方法从电磁良率估计领域，系统地拓展至电磁良率优化领域。研究目标在于提出一种新颖的、不依赖于等效电路粗模型的PC基良率驱动电磁优化方法，通过将PC系数融入目标函数并推导其解析灵敏度（导数），实现以更少的电磁仿真次数获得与传统方法相当甚至更优的良率提升效果。

二、 研究方法与详细工作流程

本研究提出了一套完整的PC基良率优化框架，其核心工作流程可分为以下几个关键步骤：

步骤一：问题建模与PC基础框架建立 首先，研究定义了优化问题。设微波结构的设计参数向量为 x（例如几何尺寸），其名义点（即优化变量）为 x₀。由于制造公差，x 的实际值围绕 x₀ 随机分布。研究考虑设计参数服从独立正态分布（标准差已知）。通过变换 ξ = T(x₀, x)，将原始随机参数 x 映射到独立的标准随机参数空间（“ξ-空间”）。在ξ-空间中，任何关心的电磁响应（如S参数）rⱼ(x)（对应第j个频率点的规格）可以表示为PC展开形式：rⱼ(x) = Σᵢ aᵢⱼ(x₀) Φᵢ(ξ)。其中，Φᵢ(ξ) 是正交的多项式基函数（对于正态分布，采用埃尔米特多项式），aᵢⱼ(x₀) 是PC系数，它显式地依赖于名义点 x₀。PC系数通过非侵入式谱投影法结合稀疏网格（Sparse Grid） 数值积分技术进行计算，所需样本数 m 远少于蒙特卡洛样本数 n。这使得基于少量样本（如文中示例的19或51个）即可高精度地重构响应的随机特性，并解析地获得其均值μⱼ = a₀ⱼ和方差σⱼ² = Σᵢ₌₁ aᵢⱼ² bᵢ。

步骤二：构建新型PC基良率优化目标函数 这是本研究的核心创新之一。研究从经典的基于蒙特卡洛的单边最小p次方目标函数出发，通过数学变换和极限推导，将其重构成一个与PC系数解析相关的新目标函数 ū(x₀)。该函数本质上是对每个可能违反的设计规格，计算其条件期望违规程度的加权和。在假设响应服从正态分布的前提下（该分布由PC系数完全确定），研究者成功地将目标函数 ū(x₀) 表达为PC系数 aᵢⱼ(x₀) 的解析函数。具体形式为： ū(x₀) = Σⱼ∈J̄ vⱼ(x₀) + Σⱼ∈J̄ᵤ (a₀ⱼ(x₀) - sⱼ) 其中，vⱼ(x₀) 和 γⱼ(x₀) 均由PC系数计算得到。ū(x₀) 的值越小，意味着响应违反设计规格的总体期望程度越低，即对应的良率越高。因此，良率优化问题被转化为最小化 ū(x₀)。该目标函数的优势在于，它通过PC系数间接但精确地利用了响应的完整统计信息，而计算这些PC系数仅需 m 次电磁仿真，远少于评估传统目标函数所需的 n 次蒙特卡洛仿真。

步骤三：推导目标函数对名义点的灵敏度（梯度） 为了在优化中高效地更新名义点 x₀，需要计算目标函数 ū(x₀) 关于 x₀ 的梯度 ∂ū/∂x₀。本研究进行了关键的推导： 1. PC系数灵敏度：首先推导出PC系数 aᵢⱼ(x₀) 对 x₀ 的导数公式。根据PC系数的数值积分表达式，其导数可表示为：∂aᵢⱼ/∂x₀ = (1/bᵢ) Σₗ [∂rⱼ/∂x |ₓ₍ₗ₎ · (∂x⁽ˡ⁾/∂x₀) · Φᵢ(ξ⁽ˡ⁾) w⁽ˡ⁾]。其中，∂rⱼ/∂x |ₓ₍ₗ₎ 是关键项，代表在第 l 个稀疏网格样本点 x⁽ˡ⁾ 处电磁响应 rⱼ 对设计参数 x 的灵敏度。这些电磁灵敏度（EM Sensitivities） 可直接从支持灵敏度分析的商业电磁仿真软件（如HFSS）中获得。 2. 目标函数灵敏度：利用链式法则，ū(x₀) 对 x₀ 的梯度可表示为：∂ū/∂x₀ = Σᵢ Σⱼ (∂ū/∂aᵢⱼ) (∂aᵢⱼ/∂x₀)。其中，∂ū/∂aᵢⱼ 可由目标函数的解析表达式直接求得。

步骤四：PC基良率优化算法流程 基于上述公式，研究者设计了一个完整的梯度优化算法流程： 1. 初始化：设定初始名义点 x₀（通常为确定性优化的最优解），最大迭代次数和收敛阈值。 2. 生成稀疏网格样本：在ξ-空间生成一组固定的稀疏网格样本点 {ξ⁽¹⁾, …, ξ⁽ᵐ⁾}。这些样本点在整个优化过程中保持不变。 3. 参数变换与并行仿真：根据当前名义点 x₀，将ξ-空间样本变换回原始设计空间，得到一组电磁仿真样本点 {x⁽¹⁾, …, x⁽ᵐ⁾}。并行地驱动电磁仿真器计算所有样本点处的响应 rⱼ(x⁽ˡ⁾) 及其灵敏度 ∂rⱼ/∂x |ₓ₍ₗ₎。这是加速计算的关键。 4. 计算PC系数及其灵敏度：利用步骤三的公式，计算当前迭代下的PC系数 aᵢⱼ(x₀) 及其对 x₀ 的导数 ∂aᵢⱼ/∂x₀。 5. 评估目标函数与梯度：根据步骤二的公式计算 ū(x₀)，并根据步骤三的公式计算其梯度 ∂ū/∂x₀。 6. 梯度优化更新：将 ū(x₀) 和 ∂ū/∂x₀ 输入梯度优化算法（如拟牛顿法），确定搜索方向和步长，更新名义点 x₀。 7. 收敛判断：检查是否满足收敛条件（如迭代次数上限或名义点变化足够小）。若未收敛，返回步骤3；若收敛，则输出最优名义点 x₀*。

三、 主要结果与分析

研究者通过三个波导滤波器设计实例，验证了所提出方法的有效性和优越性。所有电磁仿真均通过商业软件HFSS完成，并利用其并行计算功能加速。

实例一：K波段波导带通滤波器 设计参数为3个。初始良率（通过蒙特卡洛分析估计）为基准。比较了四种方法：1）提出的PC方法（m=19个样本/迭代）；2）传统蒙特卡洛方法（分别使用n=19, 30, 50个样本/迭代）；3）商用软件ADS/EMPro内置的良率优化工具。 * 结果：所有方法都提升了良率。但PC方法以总计228次电磁仿真，达到了与蒙特卡洛方法（n=50，总计600次仿真）相似的良率提升。而ADS工具需要超过2000次仿真。在另一个对比实验中，当限制总仿真次数相当时，PC方法（228次）获得的良率提升显著高于蒙特卡洛方法（n=19，228次；n=30，240次）。

实例二：具有分形形状虹膜的波导带通滤波器 设计参数为3个。PC方法使用m=19个样本/迭代。 * 结果：PC方法以总计228次仿真，实现了最高的最终良率（89%）。要达到相近的良率水平，蒙特卡洛方法（n=100）需要总计1200次仿真，是PC方法的5倍以上。在同等仿真预算下，PC方法的良率提升幅度也更大。

实例三：四阶波导滤波器 设计参数增加至5个。PC方法使用m=51个样本/迭代。 * 结果：PC方法以总计663次仿真，将良率从初始的53%提升至82%。蒙特卡洛方法（n=200）需要总计2600次仿真才能达到相近的良率提升（81%）。同样，在相似仿真次数下，PC方法的优化效果更优。

结果逻辑关系与结论支撑：上述实验结果清晰地展示了工作流程的有效性。首先，PC方法通过稀疏网格采样和PC展开，成功构建了高精度的统计模型（步骤一、二），这体现在其能以极少的样本准确预测良率变化趋势。其次，推导出的灵敏度公式（步骤三）使得梯度优化算法能高效工作，快速定位良率更高的区域。最终，迭代算法（步骤四）收敛到优于初始点的设计。实验数据强有力地支持了核心论点：所提出的PC基方法，能够以远少于传统蒙特卡洛方法的电磁仿真代价，实现相当或更优的良率优化效果。 良率提升的幅度和仿真成本的降低，直接证明了新型目标函数和灵敏度公式在驱动优化方面的效率。

四、 研究结论与价值

本研究成功提出并验证了一种基于多项式混沌展开的、高效且通用的良率驱动电磁优化新方法。其主要结论与价值体现在：

1. 方法学的创新与突破：首次系统地将PC方法从良率估计领域推进到良率优化领域，解决了在缺乏等效电路模型时进行高效电磁良率优化的难题。
2. 计算效率的显著提升：通过构建与PC系数解析相关的目标函数，并推导其灵敏度，该方法在每次优化迭代中仅需对稀疏网格样本点进行电磁仿真和灵敏度计算，从而大幅减少了驱动优化过程所需的总仿真次数。实验表明，仿真成本可降低至传统蒙特卡洛方法的1/5甚至更少。
3. 优化效果的保证：由于PC方法能高精度地捕捉响应的统计特性，基于其构建的目标函数能更可靠地指导优化方向。因此，该方法不仅能以更少仿真达到相同良率提升，还能在相同仿真预算下获得更高的最终良率。
4. 通用性与实用性：该方法不依赖于特定的等效电路模型，可直接与任何支持灵敏度分析的电磁仿真器集成。文中虽然主要针对正态分布参数，但指出通过调整基函数和变换，可扩展至均匀分布、对数正态分布等其他统计类型，具有良好的通用性。
5. 工程应用价值：为微波无源器件（特别是滤波器）的可制造性设计（Design for Manufacturing） 提供了一种强有力的工具，有助于在更短的设计周期内获得对制造公差更鲁棒的高质量设计，加速产品上市。

五、 研究亮点

1. 核心创新点：提出了首个完整、系统的PC基电磁良率优化框架，包括新颖的PC系数嵌入式目标函数和完整的解析灵敏度推导公式。
2. 高效性：巧妙地将PC在统计建模上的高效性与梯度优化算法结合，实现了“用更少的仿真，做更好的优化”。
3. 实用性：算法流程清晰，可直接利用现有商业电磁仿真器的并行计算和灵敏度分析功能，易于工程实现。
4. 验证充分性：通过三个复杂度递增的波导滤波器实例，全面验证了方法相对于传统蒙特卡洛方法和商用工具的优势，证据扎实。

六、 其他有价值的内容

研究还讨论了所提出方法的扩展性。例如，对于非正态分布（如均匀分布），只需在PC展开中使用相应的正交多项式基（如勒让德多项式），并调整参数变换关系，即可应用本框架。此外，文中强调了并行计算在步骤三中的关键作用，因为所有稀疏网格样本点的仿真相互独立，这为利用高性能计算资源进一步加速优化过程提供了可能。最后，研究者指出该方法可应用于实际微波元器件的制造过程良率提升，指明了未来的应用方向。