實現(xiàn)自主可控的芯片設(shè)計已經(jīng)成為我國社會和行業(yè)發(fā)展的熱點，而伴隨著對芯片功能性和穩(wěn)定性與日俱增的要求，芯片設(shè)計也變得越來越復(fù)雜，如何快速和便捷地進行設(shè)計空間的探索也變得越來越具有挑戰(zhàn)性!

今天我們有幸邀請到來自上海交通大學信息工程專業(yè)的盧凌峰和李江川兩位同學，來分享他們在參與 MATLAB 學生創(chuàng)新項目(MathWorks Excellence in Innovation Projects)時是如何利用深度學習來加速鎖相環(huán)設(shè)計的。GitHub 上也有他們分享的代碼和數(shù)據(jù)，可以下載哦：https://github.com/lulf0020/Behavior-modeling-of-PLL

同時，如果是對芯片設(shè)計這個話題感興趣，也可以參加我們 11 月 22/24 日晚上 7-8 點的小邁步之 MATLAB助力芯片設(shè)計系列講座!作為入門級講座，我們會使用豐富的實際操作案例來介紹如何在各領(lǐng)域使用 MATLAB 與 Simulink 實現(xiàn)芯片設(shè)計應(yīng)用，歡迎來聽!

以下是他們的分享——

鎖相環(huán)(Phase Lock Loop, PLL)被稱為芯片的“心臟”!它利用外部晶

振作為參考時鐘，通過閉環(huán)控制輸出一個穩(wěn)定的更高頻率的時鐘，以供芯片的時序電路使用。心臟的正常跳動很大程度上決定著一個人能否健康地生活，而設(shè)計一個穩(wěn)定的 PLL 則成為保障一個芯片能正常運行的重要前提!

2021 年，我們選修了楊宇紅老師主講的校企合作課程《工程實踐與科技創(chuàng)新》，作為課程的一部分，我們需要在課程期間完成一個實踐項目。MathWorks 的學生創(chuàng)新項目是由其在全球一線工程師們結(jié)合當前行業(yè)需求和最新技術(shù)發(fā)展趨勢所確立的一些研究和實踐課題，涉及 5G、大數(shù)據(jù)、工業(yè) 4.0、人工智能、自動駕駛、機器人、無人機、計算機視覺、可持續(xù)發(fā)展及可再生能源等各個領(lǐng)域。我們決定在其中選擇一個項目并在 3 個月之內(nèi)完成。

為什么選擇“基于深度學習技術(shù)進行鎖相環(huán)行為級建?！?項目?

這個項目的實用性以及新穎性吸引了我們!對鎖相環(huán)進行行為級建模，可以節(jié)省設(shè)計過程中的時間成本。具體來說，通過深度學習建立鎖相環(huán)的行為級模型之后，我們可以輸入器件參數(shù)直接得到鎖相環(huán)的性能表現(xiàn)，而不需要經(jīng)過冗長的仿真測試環(huán)節(jié)。

另外，在選擇這個項目之前，我們曾經(jīng)在學校的機器學習課程中接觸過神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識，也曾在暑期實習過程中，對很多的神經(jīng)網(wǎng)絡(luò)進行了調(diào)研，并實戰(zhàn)過利用 YOLO 算法來做目標識別。一定的知識儲備使得我們更加有底氣選擇這個項目。

在項目中遇到什么問題?是如何解決的?

數(shù)據(jù)集和模型是開展深度學習的兩個關(guān)鍵因素。在這個項目中，我們遇到的兩個主要問題包括數(shù)據(jù)集的收集和模型建立：

問題一：如何高效的收集數(shù)據(jù)集?

問題二：怎樣建立有效的深度學習模型?

下面就給大家詳細介紹一下我們是如何解決這兩個問題的。

問題一：如何高效的收集數(shù)據(jù)集?

在這個項目中，沒有現(xiàn)成的數(shù)據(jù)集可供我們使用。項目開始前，MathWorks出題工程師 Pragati Tiwary 對于題目細節(jié)給我們做了深入地解釋。他告訴我們 MATLAB 的混合信號工具箱(Mixed-Signal Blockset)里所提供的N分頻鎖相環(huán)參考模型給我們提供了一種可以通過仿真來建立數(shù)據(jù)集的手段。

該模型(如下圖示)包含了五個模塊：鑒相器，電荷泵，環(huán)路濾波器，壓控振蕩器和分頻器。我們需要做的是不斷改變這五個模塊的參數(shù)，看看會對鎖相環(huán)輸出信號的頻率、鎖定時間以及相位噪聲產(chǎn)生什么樣的影響。

圖一 N 分頻鎖相環(huán)參考模型

混合信號工具箱除了提供參考模型，還提供了測試平臺。利用這個平臺，我們可以便捷地對各種不同參數(shù)下的鎖相環(huán)模型的輸出信號進行監(jiān)測，記錄下所需要的輸出結(jié)果。

項目初期，我們遇到的主要問題是數(shù)據(jù)集的收集效率低下。為了獲得一組數(shù)據(jù)，我們每次都需要手動更改模型各個模塊的參數(shù)設(shè)置，再對進行一次仿真測試，最后需要手動記錄測試平臺的輸出結(jié)果，十分費時。

這時，Pragati 給我們提供了耐心的指導(dǎo)，他告訴我們?nèi)绾螌︽i相環(huán)模型進行批量的數(shù)據(jù)導(dǎo)入、仿真以及數(shù)據(jù)導(dǎo)出。在他的幫助下，我們將 Simulink 與 MATLAB 配合使用，由 MATLAB 程序調(diào)整模型參數(shù)并控制 Simulink 模型進行批量的仿真和測試。我們將模型中需要測試的參數(shù)設(shè)置為變量，這樣就可以通過更改變量值的方式來更改仿真模型的參數(shù)值。

但是，我們隨后發(fā)現(xiàn)一些涉及到模型結(jié)構(gòu)的參數(shù)，比如環(huán)路濾波器的階數(shù)，是無法簡單地通過改變變量值的方式來進行修改的。正當我們一籌莫展時，卻驚喜地發(fā)現(xiàn)鎖相環(huán)中通常所采用的二階，三階和四階環(huán)路濾波器的電路形式具有相似性。于是，我們統(tǒng)一采用了四階環(huán)路濾波電路的模型，只是在設(shè)置參數(shù)時，通過將對應(yīng)的電容、電阻設(shè)為0，來模擬斷路和短路，以實現(xiàn)更低階數(shù)的環(huán)路濾波器。至此，我們實現(xiàn)了仿真模型參數(shù)的快速更改。

圖二 二階、三階和四階環(huán)路濾波器(從左到右)

對輸出結(jié)果，我們也希望能夠像仿真模型的參數(shù)一樣，實現(xiàn)通過程序自動記錄。但我們經(jīng)過測試后發(fā)現(xiàn)，測試平臺的最終輸出結(jié)果無法導(dǎo)出，而只能導(dǎo)出中間結(jié)果。于是我們只好自動導(dǎo)出中間結(jié)果，再根據(jù)相應(yīng)輸出結(jié)果的計算方法，通過中間結(jié)果求解出我們所需要的最終結(jié)果。

最終，我們建立起了 MATLAB 和 Simulink 配合仿真和測試的全流程：通過生成在一定范圍內(nèi)的隨機數(shù)，對仿真模型的參數(shù)值進行更改;使用MATLAB的控制指令進行模型的仿真和測試，Simulink會在仿真結(jié)束后將記錄的中間結(jié)果回傳到 MATLAB，最后根據(jù)回傳的中間結(jié)果計算我們關(guān)注的輸出結(jié)果并記錄。在設(shè)定了程序執(zhí)行的循環(huán)次數(shù)后，就能夠?qū)崿F(xiàn)無監(jiān)管下的數(shù)據(jù)收集工作，在一定程度上提高了數(shù)據(jù)集的建立效率。

問題二：怎樣建立有效的深度學習模型?

深度學習一般被用于復(fù)雜信息的特征提取以及預(yù)測量的回歸或擬合標定。譬如在卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計中就包含較多的卷積層和池化層等用于圖片特征信息的提取。而在我們的項目中，實際需要的特征值大多已經(jīng)在項目信息中給出。

通過實驗，我們發(fā)現(xiàn)僅兩層的前饋式神經(jīng)網(wǎng)絡(luò)就可以較好地實現(xiàn)對輸入?yún)?shù)到輸出參數(shù)映射關(guān)系的建模，于是我們采用了神經(jīng)網(wǎng)絡(luò)中結(jié)構(gòu)較簡單的前饋式神經(jīng)網(wǎng)絡(luò)。

MATLAB 提供了一個深度學習工具箱，你可以從零開始構(gòu)建想要的神經(jīng)網(wǎng)絡(luò)模型，也可以在工具箱所提供的參考神經(jīng)網(wǎng)絡(luò)模型上進行修改。該工具箱可以從 TensorFlow 和 Caffe 導(dǎo)入模型，并支持對 DarkNet-53、ResNet-50、NASNet、SqueezeNet 等較為熱門的預(yù)訓(xùn)練模型進行遷移學習。

我們要給大家安利的是深度學習工具箱里所提供的 Neural Network Fitting APP。這個APP提供了如下圖所示的神經(jīng)元節(jié)點數(shù)可選的兩層前饋式神經(jīng)網(wǎng)絡(luò)。這個神經(jīng)網(wǎng)絡(luò)以經(jīng)典的非線性激活函數(shù)sigmoid作為隱藏層神經(jīng)元的激活函數(shù)，而在輸出層則采用了線性的輸出函數(shù);以均方差值(MSE)作為訓(xùn)練指標，并且可以對訓(xùn)練的結(jié)果進行回歸度分析。在這個 APP 的基礎(chǔ)上，通過人為地對訓(xùn)練數(shù)據(jù)、測試數(shù)據(jù)以及訓(xùn)練完成的模型進行一些數(shù)據(jù)處理，就大致滿足了我們的需求。

圖三 Neural Network Fitting APP

不得不提的是，我們建立的模型一開始的擬合效果并不好，于是我們嘗試了數(shù)據(jù)預(yù)處理、增加神經(jīng)節(jié)點、調(diào)整各個數(shù)據(jù)集的比例等方式，最后得到了一個還不錯的擬合效果。

在前饋式神經(jīng)網(wǎng)絡(luò)這一模型主體上，一個良好的數(shù)據(jù)預(yù)處理形式可以使得整體神經(jīng)網(wǎng)絡(luò)具有更好的擬合效果。對于數(shù)量級相差較大的數(shù)據(jù)，我們使用對數(shù)函數(shù)輔助進行歸一化，使得其數(shù)據(jù)分布盡可能實現(xiàn)均勻且有區(qū)分度，不會有過多的差異數(shù)據(jù)聚集在數(shù)據(jù)軸上的幾個點附近而導(dǎo)致欠擬合或過擬合。

在模型訓(xùn)練過程中，數(shù)據(jù)集會被劃分為訓(xùn)練集、測試集和驗證集三個部分。其中，訓(xùn)練集和測試集會用于模型的訓(xùn)練過程，而驗證集主要用于模型最終性能的評估。在訓(xùn)練過程中，我們注意到，僅僅保證訓(xùn)練集和測試集占總體數(shù)據(jù)集大小的比例是不夠的，測試集最好具有一定的絕對數(shù)量，否則其反映出來的模型擬合程度可能無法反應(yīng)出模型實際的擬合程度。在這個項目中，大約需要 >200 個樣本的測試集才能保證其用于訓(xùn)練的模型擬合程度數(shù)據(jù)較為可靠，使模型訓(xùn)練進程能有效推進下去。

結(jié)語：努力學習 + 勇敢嘗試 = 成功

時光荏苒，現(xiàn)在我們一個已經(jīng)在上海三菱電梯工作，一個正在備戰(zhàn)考研，但這段跨時差跨語言的項目經(jīng)歷是很難忘的。我們最大的收獲不僅是通過項目實踐鞏固了所學的知識、體會到創(chuàng)新的重要性，還通過和 MathWorks 的工程師在線上用英語溝通和交流開闊了眼界和提高了膽量。在此，非常感謝 MATLAB 學生創(chuàng)新項目給我們提供了實踐的機會，感謝《工程實踐與科技創(chuàng)新》課程的主講老師楊宇紅老師與 MathWorks 的 Pragati Tiwary 及許悅伊博士給我們提供的幫助和指導(dǎo)!

P.S.：盧凌峰和李江川兩位同學參加的 Behavior Modeling of PLL 是 MathWorks 為同學們提供的二百余個 MATLAB 學生創(chuàng)新項目(Excellence in Innovation Projects)項目之一。

最后，如果是對芯片設(shè)計這個話題感興趣，也可以參加我們 11 月 22/24 日晚上 7-8 點的小邁步之 MATLAB助力芯片設(shè)計系列講座!作為入門級講座，我們會使用豐富的實際操作案例來介紹如何在各領(lǐng)域使用 MATLAB 與 Simulink 實現(xiàn)芯片設(shè)計應(yīng)用，歡迎來聽!

審核編輯：湯梓紅