HW: Automatisiertes RFIC-Design mithilfe von maschinellem Lernen
(geeignet als HW/FP/MA; Umfang und Tiefe werden an ECTS und Vorkenntnisse angepasst)
Beschreibung
Ziel ist die Entwicklung eines Algorithmus bzw. eines Ansatzes des maschinellen Lernens, der Teile des RFIC-Designs automatisiert und dabei Open-Source-Entwurfswerkzeuge nutzt. Im Fokus stehen passive Komponenten wie Übertrager, Baluns und Antennen. Ausgehend von gewünschten Leistungsparametern (z. B. Zielfrequenz, Bandbreite, Einfügedämpfung, Impedanzen, Wirkungsgrad) soll ein Tool die optimale Geometrie generieren.
Forschungsfragen
- Wie lassen sich Geometrien (Trafo/Balun/Antenne) so parametrisieren, dass sie ML-tauglich und dennoch fertigungsgerecht sind?
- Welche Modelle (klassische Regressoren vs. Deep Learning) liefern in diesem Kontext die beste Performanz?
- Wie gut lässt dich der Algorithmus an eine andere Technologie/PDK anpassen?
Ziele der Arbeit
- Aufbau einer Daten-/Simulationspipeline (Open-Source und/oder kommerzielle Tools) zur Generierung von Trainings- und Validierungsdaten.
- Entwicklung eines Algorithmus oder ML-Modells das Specs → Geometrie/Parameter abbildet.
- Umsetzung einer GUI , in die Nutzer Zielgrößen eintragen und ein Layout erhalten.
- Validierung: Vergleich gegen EM-Simulation, Auswertung von Genauigkeit, Robustheit und Laufzeit.
Arbeitspakete
- Daten & Simulation
- Parametrische Geometrieerzeugung (Python/gdsfactory)
- Simulation mit Open-Source-Tools (openEMS) und/oder kommerziellen Tools (z. B. Cadence/ADS/HFSS
- Datenaufbereitung, Feature-Engineering, Qualitäts-Checks
- Modellierung & Optimierung
- Training und Evaluierung unterschiedlicher ML-Modelle (CNN, RNN, Reinforcement Learning, usw.)
- Hyperparameter-Tuning, Cross-Validation, etc.
- GUI & Integration
- GUI: Eingabe der Specs, Ausgabe der Geometrie/Parameter + Simulationsergebnisse
- Export von GDS-file
- Evaluation
- Benchmarks vs. Referenzdesigns, Speed-up gegenüber manueller Auslegung
- Dokumentation/Paper
Deine Kenntnisse
(Nicht alles ist nötig; zwei Profile sind möglich. Wir passen die Aufgaben an.)
- Machine Learning / Programmierung
-
- Sehr gute Python-Skills (NumPy, Pandas, SciPy; optional: scikit-learn, PyTorch/TensorFlow)
- Spaß an Algorithmen/Optimierung und Datenverarbeitung
- RF-Design / Schaltungstechnik
- Grundkenntnisse in Hochfrequenztechnik und analogem Schaltungsdesign
- Interesse an EM-/Schaltungssimulation und Parametrisierung von Layouts
- Bereitschaft, sich in EDA-Tools (z. B. Cadence, Qucs-S/Ngspice, openEMS, scikit-rf) einzuarbeiten
