← 返回 PaperDaily 大模型与智能体

CNN+遗传算法，1.9–2.5GHz功放自动生成

这篇论文最有意思的地方，是把功放设计从“靠经验+靠仿真”推进到“CNN先猜、遗传算法再搜”的自动化路线。更狠的是，它不是只做了个纸上模型，而是直接做出了可测的GaN原型机。

龙哥读论文 阅读 4 查看原文
#AI应用 #AI科研 #模型架构
CNN+遗传算法，1.9–2.5GHz功放自动生成
🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！
👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥导读：
这篇论文最有意思的地方，是把功放设计从“靠经验+靠仿真”推进到“CNN先猜、遗传算法再搜”的自动化路线。更狠的是，它不是只做了个纸上模型，而是直接做出了可测的GaN原型机。


原论文信息如下：
论文标题:
Inverse Design of Compact and Wideband Inverted Doherty Power Amplifiers Using Deep Learning
发表日期:
2026年06月 发表单位:
Tampere University; Chalmers University of Technology 原文链接:
https://arxiv.org/pdf/2606.27002v1.pdf

设计功率放大器卡脖子？深度学习来“反向”求解！

功率放大器，尤其是面向无线通信的 Doherty 功放，一直是射频前端里最“难伺候”的角色之一。它既要高效率，又要宽带宽，还要在回退功率区间别掉链子。传统做法通常是工程师先定结构、再反复仿真、再改版、再测量，循环到怀疑人生。
这篇论文的思路很直接：既然正向设计像在迷宫里找出口，那就干脆把问题倒过来——让深度学习先猜一个像样的合路器布局，再用遗传算法去“抠细节”。最后不是停留在仿真图上，而是直接做出了可测的 GaN HEMT 原型机。这里的 GaN HEMT 是 Gallium Nitride High Electron Mobility Transistor，氮化镓高电子迁移率晶体管，属于射频功放里常见的高性能器件，特点就是“能打、耐压、效率高”。
封面
图8：实测结果最能说明问题的原型机照片。别看这板子不算大，里面装的是一套“AI 反向设计”的射频脑回路。

传统Doherty功放带宽受限？试试倒置拓扑！

先补一个基础知识：Doherty 功放是一种经典的高效率架构。它的精髓不是让功放在满功率时“拼命发力”，而是让它在常见的回退功率区间也尽量保持高效率。原因很朴素：真实通信信号大多不是一直满格输出，更多时候都在“半开工”状态。
但 Doherty 的难点也很现实：主放和辅放并不是各干各的，它们通过合路网络强耦合，网络一设计不好，效率和带宽就会互相掐架。传统 Doherty 虽然成熟，但带宽常常受限；而 倒置 Doherty（inverted Doherty）则把相位和电流关系换了个方向，理论上更有带宽潜力。论文里把这三种合路器放在一起比较：常规 Doherty、黑盒式合成、倒置 Doherty。结论很清楚——倒置拓扑更适合做宽带化，但设计难度也更高。
图1
图1：(a) 三种 Doherty 合路器实现方式：常规合路器 A、黑盒合路器 B、倒置合路器 C；(b) 回退功率时主、辅电流源平面看到的阻抗幅值对比。图的核心意思是：倒置拓扑在带宽潜力上更有想象空间。
这篇工作真正有意思的地方在于，它不是只说“倒置拓扑更好”，而是进一步把“怎么设计”也交给了 AI。也就是说，不只是告诉工程师“去试试这个方向”，而是直接把一条能落地的自动化路线摆了出来。

像素化布局+CNN代理模型：让仿真速度飞起来

这篇论文的核心套路可以概括成四个字：先学后搜。先用深度卷积神经网络，也就是 CNN（Convolutional Neural Network，卷积神经网络），去学“像素化电路布局 → 射频响应”之间的映射；再让遗传算法在这个学会了规律的代理模型上快速搜索，而不是每一步都跑昂贵的全波电磁仿真。
这里还有一个很射频工程味儿的设定：论文把平面电路布局编码成 15×15 的二值网格，1 表示金属，0 表示空白。每个像素代表 1.2 毫米见方，并额外设置了 40% 的金属重叠，保证斜向连通也不至于“断路翻车”。换句话说，AI 不是在画艺术插画，而是在决定铜皮该往哪儿长。
图2
图2：像素化常规/倒置 Doherty 合路器的逆向设计流程。CNN 负责当“快速预言家”，遗传算法负责当“耐心搜图员”，两者配合，把原本很慢的设计过程压缩成可自动迭代的流程。
CNN 的训练数据也不是随便拍脑袋凑的。论文生成了 5000 个布局及其对应的电磁仿真 S 参数，并通过翻转和旋转做了四倍数据增强。这个思路很实在：射频布局里很多几何结构存在对称性，做增强相当于让模型多见几个“同门师兄弟”，减少过拟合。网络本身用了 12 层卷积加 5 层全连接，配合批归一化、Leaky-ReLU 和 dropout，目标就是让它在复杂布局面前别太“死记硬背”。
图3
图3：CNN 预测阻抗与全波电磁仿真的对比。虚线和实线能贴得比较近，说明代理模型没有“嘴上说得漂亮，实际一塌糊涂”。
这里要顺手解释一下两个关键缩写。EM 是 Electromagnetic，电磁，在这里指的是全波电磁仿真；S 参数则是射频网络里最常见的散射参数，用来描述反射和传输特性。CNN 学的就是“这个铜皮长相，会带来什么电磁行为”。
论文中还给出了两个关键关系式。第一个式子说明整体两端口网络可以由器件寄生、像素化网络和器件寄生串起来表示：
公式1
图4：公式含义很朴素——A2p = Apar Apixel Apar。其中 Apar 是晶体管寄生和封装等效电路，Apixel 是像素化合路器，A2p 是最终看到的整体两端口网络。意思就是：器件本体不可能被“无视”，所以设计必须把它一起算进去。
第二个式子则把主电流源平面上的电压电流关系写成阻抗矩阵形式：
公式2
图5：[Vm] = Z2p[Im] 说明主、辅放之间的耦合最终可以落到阻抗矩阵上来理解。这里的 Vm、Im 分别是主放电压与电流，Z2p 则刻画了两路放大器在合路网络中的相互作用。

遗传算法寻最优：紧凑宽频Doherty合路器自动生成

CNN 负责快速近似，但它本身不负责“找最优”。真正把设计往目标上推的是 遗传算法，也就是 GA（Genetic Algorithm，遗传算法）。这个方法很像自然界的“优胜劣汰”：先生成一批候选布局，再按指标筛选，接着交叉、变异、再筛选，直到找到更靠谱的方案。
论文给 GA 设定的目标并不花哨，但非常工程化：在 1.8–2.6 GHz 内，让峰值和回退时的实部阻抗尽量贴近目标值，同时把虚部压小。这里的目标阻抗不是随便定的，而是和器件的 Ropt 相关。论文中该器件的最优负载为 30 Ω，因此设计目标就围绕这个数展开。对功放来说，阻抗没调准，就像跑鞋没系紧，跑得再快也容易崴脚。
图4
图4：论文提出的倒置 Doherty 功放电路原理图。可以看到，主放和辅放、偏置、电源以及像素化合路网络都被放进了同一个系统里考虑，而不是各自为政。
图5
图5：实物板卡照片。整机尺寸为 78 mm × 72 mm，说明这套宽带高效方案并没有把版图做成“桌面级巨无霸”。
从方法上看，GA 的价值不只是“随机碰碰运气”，而是把 CNN 这个代理模型当成快速评估器。这样一来，搜索空间虽然还是很大，但每次评估不用都跑全波仿真，速度就能提上来。对射频设计来说，这种提速非常关键，因为全波仿真一多，算力和时间都会像水库开闸一样往外流。

实测见真章：宽频、高效、紧凑，样样拿手

真正决定论文含金量的，还是实测。毕竟仿真图可以很美，板子一焊出来就可能“人间真实”。这篇工作在 1.9–2.5 GHz 频段做了小信号、连续波和调制信号测试，结果整体比较扎实：小信号增益在整个频段内超过 10 dB；峰值输出功率大约是 44±0.3 dBm；峰值漏极效率达到 51%–63%；6 dB 回退效率达到 48%–54%。
图6
图6：原型机的小信号测试结果。曲线与电磁仿真整体接近，只在频带高端有轻微偏移，说明建模和实物之间没有严重“翻车”。
图7
图7：输出功率变化下的漏极效率和增益。这里能看到典型的 Doherty 效率提升特征，说明这套倒置拓扑不是“纸面学术体操”，而是确实在工作。
图8
图8：峰值输出功率、峰值漏极效率和 6 dB 回退效率随频率变化的汇总。可以看到，性能在 1.9–2.5 GHz 内保持得比较均匀，宽带性是这项工作的亮点之一。
调制信号测试也没有掉链子。论文用 40 MHz、7 dB 峰均比的 OFDM 信号做了验证。这里的 OFDM 是 Orthogonal Frequency Division Multiplexing，正交频分复用，是现代无线通信里很常见的调制方式；DPD 则是 Digital Predistortion，数字预失真，用来补偿功放非线性。加上 DPD 之后，邻道泄漏比 ACLR 从 -28.6 dBc 改善到 -53.2 dBc。ACLR 的英文全称是 Adjacent Channel Leakage Ratio，邻道泄漏比，数值越低越好，说明对旁边信道的“串门”更少。
图9
图9：DPD 前后的输出频谱对比。预失真一开，旁瓣立刻收敛不少，说明这套功放虽然非线性存在，但仍然具备较好的可补偿性。
表1
表1：与近年的先进负载调制功放对比。把频段、效率、输出功率和 ACLR 摆在一起后，可以看出这项工作在“宽带 + 高效 + 紧凑”三件事上都交出了比较平衡的答卷。
如果把结果翻译成人话，那就是：这不是一个只在某个甜点频点上闪一下的“样板间功放”，而是能在 1.9–2.5 GHz 里稳定跑起来的原型。它的意义不只是效率数字本身，更在于证明了“CNN 代理模型 + GA 搜索 + 像素化电磁结构”这条路线，确实可以从设计方法上打开新空间。

总结与未来展望：AI驱动的功放设计新时代

这篇论文最值得记住的，不只是某个效率数字，而是它把射频功放设计从“经验驱动”往“数据驱动”又推了一步。对于像 Doherty 这种强耦合、强约束、又特别吃带宽的结构，传统手工调参本来就很累；像素化布局把连续几何离散化，CNN 代理模型把昂贵仿真变快，GA 再负责在大空间里找更优解，这个组合很适合处理复杂电磁结构。
不过它也不是“拿来即用”的万能钥匙。像素化设计会带来版图自由度和制造约束之间的平衡问题，CNN 代理模型的可靠性也依赖训练数据覆盖是否足够，GA 搜索本身还要看目标函数设得是否合理。换句话说，这条路很强，但不是一键神功；它更像是把工程师从重复劳动中解放出来，让人把精力放在目标定义、约束设定和最终验证上。
从应用角度看，这种方法未来很可能继续往更高频段、更复杂多端口结构、更多工艺平台延伸。只要全波仿真还贵、版图搜索还慢、经验规则还不够用，AI 辅助逆向设计就还有继续上桌的空间。对于射频工程来说，这大概就是一种很现实的进化：不是 AI 取代工程师，而是 AI 帮工程师少熬几晚夜。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么问题？它解决的是倒置 Doherty 功放合路器“难设计、难搜索、难兼顾带宽和效率”的问题。论文把像素化电磁结构、CNN 代理模型和遗传算法组合起来，做出了一套可实际测量的宽带高效原型机。

文中的 CNN、GA、DPD 分别是什么意思？CNN 是卷积神经网络，用来快速预测布局对应的射频响应；GA 是遗传算法，用来在候选布局里搜索更优解；DPD 是数字预失真，用来补偿功放非线性，改善调制信号下的频谱纯净度。

这套方法为什么能 work？因为它把最耗时的全波仿真交给了训练好的代理模型，把最难的布局搜索交给了遗传算法，把器件寄生、阻抗目标和合路网络一起纳入统一框架，既提速又减少了纯经验试错。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

把深度学习逆向设计正式推进到倒置 Doherty 功放，思路新，而且不是概念拼盘，确实做成了可测原型。

实验合理度：★★★★☆

从小信号、连续波到调制信号测试都做了，且给了与近年工作对比，实验链条比较完整。

学术研究价值：★★★★☆

对射频功放的逆向设计方法有明确启发，尤其适合复杂电磁结构的自动化合成。

稳定性：★★★☆☆

原型机表现不错，但像素化布局、训练数据覆盖和工艺一致性仍会影响稳定落地。

适应性以及泛化能力：★★★☆☆

方法框架可迁移，但不同频段、器件和工艺下仍需要重新训练和重新约束目标。

硬件需求及成本：★★★☆☆

训练阶段要做不少电磁仿真，算力成本不低；但一旦代理模型建好，搜索阶段会轻松很多。

复现难度：★★★☆☆

方法逻辑清楚，但需要电磁仿真环境、器件参数和较多数据准备，不算轻松复刻。

产品化成熟度：★★★☆☆

适合做高频射频设计辅助工具，离大规模自动化产品化还需要更强的鲁棒性和工艺适配验证。

可能的问题：像素化设计虽灵活，但制造约束和训练数据覆盖仍是瓶颈；此外，方法对工艺变化的敏感性还需要更多验证。


主要参考文献

H. Zhou, H. Chang, D. Widen, and C. Fager, “Inverse Design of Compact and Wideband Inverted Doherty Power Amplifiers Using Deep Learning,” arXiv:2606.27002v1, 2026.
H. Zhou, H. Chang, and D. Widén, “Deep learning-driven black-box Doherty power amplifier with pixelated output combiner and extended efficiency range,” IEEE Trans. Circuits Syst. I, Reg. Papers, 2026.
H. Zhou, H. Chang, D. Widén, and C. Fager, “Deep learning-driven inverse design of Doherty power amplifiers using pixelated combiners and dual-state impedance synthesis,” Proc. IEEE MTT-S Int. Microw. Symp. Dig., 2026.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！       

end
欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
功放设计太费仿真？来龙哥群里聊聊“AI反向设计”这类硬核玩法，少走弯路，多看门道。
wechat_helperdianzan
转发文章 微博 X LinkedIn Facebook
龙哥读论文 · PaperDaily

本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。