Inverse Design of Multi-Layer Sub-Pixel-Resolution RF Passives Through Grayscale Diffusion with Flexible S-Parameter Conditioning

Resumo Técnico: Projeto Inverso de Passivos de RF de Sub-Pixel Multi-Camada Através de Difusão em Escala de Cinza

Declaração do Problema
O projeto inverso de componentes passivos de RF a partir de parâmetros S é um problema de alta dimensionalidade e mal-posto. O projeto convencional depende de simulações eletromagnéticas (EM) iterativas e ajuste por especialistas, enquanto a otimização topológica requer dias para convergir. As abordagens existentes de aprendizado de máquina, incluindo modelos generativos como GANs e frameworks de difusão anteriores (por exemplo, DALL-EM), enfrentam limitações significativas para o projeto prático de Placas de Circuito Impresso (PCB). Esses métodos são tipicamente restritos a:

• Estruturas de camada única sem vias.
• Representações de pixels binárias (metal/sem-metal), que carecem da resolução para modelar estruturas fortemente acopladas onde as lacunas são menores que o tamanho da grade.
• Placas eletricamente pequenas com configurações de porta fixas.
• Requisitos de alvos de parâmetros S totalmente especificados e propriedades dielétricas específicas.

Metodologia
Os autores propõem um framework de difusão condicional que gera layouts de PCB de duas camadas com resolução de sub-pixel e inclusão de vias. O sistema opera como um pipeline "gerar e classificar" composto por duas redes neurais principais:

1. Projetista Inverso (Modelo Generativo):

   • Arquitetura: Um modelo probabilístico de difusão denoising condicional (DDPM) baseado em um Attention U-Net.
   • Saídas: Dois canais: densidade de metalização contínua (valores em escala de cinza em [0, 1]) e uma camada dedicada de presença de vias.
   • Condicionamento: O modelo aceita entradas multimodais codificadas em mapas de características espaciais e concatenadas com o layout ruidoso:
     • Parâmetros S: Resposta de frequência alvo (1–20 GHz, 51 pontos), suportando especificações parciais (por exemplo, restringindo apenas $|S_{21}|$).
     • Modelo: Topologia de referência (por exemplo, hairpin, combline) ou um embedding "nulo" para geração sem topologia.
     • Localizações de Alimentação: Coordenadas físicas para portas, suportando contagens de portas variáveis.
     • Propriedades Dielétricas: Parâmetros do substrato ($\epsilon_r$, $\tan \delta$, espessura).
   • Estratégias de Amostragem:
     • DPM-Solver++: Usado para geração rápida (segundos) sem restrições rígidas.
     • Dinâmica de Langevin Annealed: Usada quando restrições físicas rígidas são necessárias. Este método emprega projeção por passo para limitar a metalização em pontos de alimentação especificados, garantindo realizabilidade física.
   • Pós-processamento: Uma rede de detecção baseada em CenterNet converte a camada de metal rasterizada em escala de cinza em primitivas retangulares parametrizadas (por exemplo, para exportação Gerber).

2. Modelo Direto (Classificação):

   • Arquitetura: Um Vision Transformer (ViT) com um cabeçalho MLP.
   • Função: Prevê parâmetros S para cada layout candidato gerado pelo modelo de difusão. Os candidatos são classificados pelo Erro Quadrático Médio (RMSE) e Erro Absoluto Médio Ponderado (WMAE) em relação às especificações alvo.

Principais Contribuições

• Resolução de Sub-Pixel em Escala de Cinza: Ao contrário das abordagens binárias anteriores, este framework gera densidades de metalização contínuas. Isso permite a representação de características geométricas (como lacunas de acoplamento) mais finas que a resolução de grade de 0,125 mm (64×64 pixels em uma placa de 8×8 mm), o que é crítico para estruturas fortemente acopladas.
• Suporte a Multi-Camadas e Vias: É o primeiro sistema generativo de ML a lidar com empilhamentos de duas camadas com vias, permitindo estruturas de terra complexas e conexões entre camadas.
• Condicionamento Flexível: O sistema suporta condicionamento parcial de parâmetros S, posicionamento variável de portas e diversos materiais de substrato, permitindo exploração de projeto sem alvos totalmente especificados.
• Aplicação de Restrições Rígidas: Através da projeção de Langevin annealed, o framework garante metalização em pontos de alimentação, uma restrição física crítica frequentemente ignorada no projeto generativo.

Resultados
O framework foi validado em uma placa de 8×8 mm discretizada em 64×64 pixels na faixa de 1–20 GHz.

• Métricas de Desempenho: O modelo direto ViT prevê parâmetros S com um erro absoluto médio ponderado (WMAE) de $0,77 \pm 1,28$ dB.
• Eficiência de Amostragem:
  • Dinâmica de Langevin: Alcançou uma taxa de placas válidas de 89,1% (devido à projeção de alimentação) com um WMAE de $0,93 \pm 1,38$ dB.
  • DPM-Solver++: Mais rápido (1,9s vs. 13,8s por amostra) mas com menor taxa de placas válidas (8,5%).
• Validações Fabricadas (Substrato RO4003C):
  1. Redesenho de Filtro Hairpin: O sistema gerou uma alternativa fabricável para um filtro hairpin cujas lacunas de acoplamento originais violavam as regras de fabricação. O design fabricado alcançou uma banda de passagem centrada em ~17 GHz com perda de inserção de 6,2 dB (alvo: 1,5 dB), mostrando boa concordância com a simulação de onda completa.
  2. Filtro Passa-Banda Combline (Do Zero): Projetado exclusivamente a partir de parâmetros S alvo sem uma topologia de referência. O design resultante incluiu estruturas de terra conectadas por vias, alcançando uma banda de passagem de 9,5 GHz com perda de inserção de 4,6 dB (alvo: 1,1 dB).

Significância
O artigo afirma que este trabalho representa o primeiro framework de projeto generativo de RF a suportar simultaneamente estruturas multi-camadas com vias, metalização contínua em escala de cinza, restrições físicas rígidas via projeção de Langevin e condicionamento parcial de parâmetros S. Ao permitir resolução de características de sub-pixel em placas eletricamente grandes (aproximadamente um comprimento de onda guiado em 20 GHz), a abordagem preenche a lacuna entre projeto generativo e fabricabilidade, oferecendo um caminho para automatizar o projeto de passivos de RF complexos que anteriormente eram limitados por resolução binária ou restrições de camada única.