WCDMA低噪声放大器设计与ANN建模

用于宽带码分多址（WCDMA）范围的低功耗、高增益低噪声放大器设计及基于人工神经网络（ANN）的参数提取

摘要

随着3G无线网络接入需求的不断增长，高性能宽带码分多址（WCDMA）收发器成为必需。低噪声放大器（LNA）是WCDMA收发器中的关键组件。本文在180纳米技术下设计了多种低噪声放大器配置（单端低噪声放大器、差分低噪声放大器、电流复用低噪声放大器），并对其性能指标进行了比较。该低噪声放大器针对低功耗、高增益应用而设计，在噪声系数（NF）、线性度、功耗和品质因数（FOM）方面均表现出良好性能。我们的分析表明，电流复用低噪声放大器（CRLNA）在所有配置中实现了最佳增益和FOM。CRLNA的FOM为1.5507吉赫/毫瓦，高于其他低噪声放大器配置。此外，我们提出了一种基于人工神经网络（ANN）模型的新方法，该模型可根据仿真结果估算不同的放大器参数，从而为依赖复杂解析和数学模型且耗时较长的主流仿真工具提供了一种替代方案。

关键词 ：低噪声放大器，人工神经网络（ANN），低功耗设计，增益，品质因数，噪声系数

I. 引言

无线服务及其他电子应用的持续增长趋势迫使研究人员和半导体行业将系统的所有关键组件集成到单芯片上。后端和前端是无线系统的两个重要部分。通常，接收到的射频信号强度非常微弱，无法通过传输线直接将其传输至接收器的其他部分。因此，需要在系统前端使用具有高增益、低噪声和低功耗的放大器来放大该信号。

低噪声放大器（LNA）具备低噪声、高增益特性，是收发系统中的关键组成部分[1]。包含LNA的收发系统框图如图1[2]所示。LNA是控制收发系统总噪声性能的关键组件。通信系统的性能取决于LNA的增益、功耗和噪声系数[3]。总体而言，LNA可分为三个功能单元：输入匹配网络、放大器部分和输出匹配网络部分。这些单元的性能单位通过S参数S11, S12, S21和S22表征。

设计了三种低功耗、高增益和低噪声应用的低噪声放大器（LNA）配置，即单端LNA、差分LNA和电流复用LNA，采用180纳米RFCMOS工艺实现。在单端低噪声放大器中，通过选择电感[4]‐[6]可以控制输入阻抗实部的值。

差分低噪声放大器的增益高于单端低噪声放大器[7]，该配置使用两个不同的输入。在射频接收器中的许多电路，如射频镜像滤波器和中频滤波器，需要高增益和低噪声，但输入信号必须是单端的[2]，因此这些电路通常使用巴伦电路，用于实现单端与差分信号之间的相互转换[8]。电流复用低噪声放大器通过复用偏置电流来最大化增益。为了提升收发系统性能，需要设计高速且低功耗的低噪声放大器[9]‐[10]。在以往的研究文献中，大多数报道的工作集中在降低噪声或提高低噪声放大器的增益上。然而，在低功耗、小面积和线性度方面仍需大量研究工作，这正是我们开展此项工作的主要动机。根据仿真结果，我们声称CRLNA相比单端LNA和差分LNA表现出最佳性能[11]‐[12]。品质因数是低噪声放大器的主要性能参数，因为它包含了功耗、增益、功耗、噪声系数和工作频率。除了考虑高增益和低噪声系数这两个明显的设计目标外，还比较了不同配置下的其他性能参数。

本文中，我们还提出了一种新颖的技术，即采用人工神经网络（ANN）模型，该模型基于获得的仿真结果来估计不同的放大器参数，从而为依赖复杂分析和数学模型的流行仿真工具[13]‐[15]提供了一种替代方法。我们构建并训练了这样一种人工神经网络（ANN），使其能够估计低噪声放大器（LNA）不同参数的未见映射。本研究采用了最流行的人工神经网络架构之一，即使用反向传播（BP）算法进行训练的多层感知机。此外，据我们所知，现有文献中尚未报道利用人工神经网络（ANN）对低噪声放大器（LNA）进行参数提取及性能评估/优化的研究。这恰好成为本工作的核心主题。

本文的其余部分组织如下：在第二节中，我们描述了设计挑战、各种性能指标以及用于设计低噪声放大器各种配置的方法。本节还介绍了基于所获得的仿真值进行放大器参数估计的ANN技术。第四节给出了针对低噪声放大器各种配置的多种性能指标的分析与比较，并讨论了ANN建模后得到的性能指标和近似数据。第五节总结了重要结论。

II. 低噪声放大器的电路分析与设计

本节介绍了用于设计各种配置低噪声放大器的设计步骤、挑战和原理图。

A. 低噪声放大器拓扑结构与设计挑战

用于单端窄带、低功耗设计的基本低噪声放大器拓扑结构包括电阻端接共源极、电感退化共源极、共栅极、并联串联反馈和共源共栅电感源极退化[1]。对于低功耗和低压优化的LNA设计，需要选择合适的拓扑结构[3]-[4]。在这些拓扑结构中，电感源极退化拓扑可提供更高增益和低噪声系数。

噪声系数（NF）是低噪声放大器设计中的关键性能问题，因为低噪声放大器是接收系统中的第一个组件，用于增强期望的微弱信号并抑制噪声。为了最大化接收系统的效率，功耗应尽可能低。因此，噪声系数和功耗与增益同样重要。系统各个模块的阻抗匹配也是一个重要考虑因素。

因此，在所有这些参数之间找到一个精细的平衡是一项挑战。最明显的权衡存在于低噪声放大器的增益与NF之间[5]。线性度和三阶交调截点IP3也是重要的设计问题。对于给定频率，通过增加电流密度可以提高IP3性能。

或低噪声放大器[9]的消耗电流。在低噪声放大器的发射极添加电感对增益、噪声系数和稳定性产生显著影响。随着电感的增加，稳定性和噪声系数提高，但会以牺牲增益为代价。然而，电感持续增加很快会导致增益和噪声系数恶化。为了改善线性度，需要增大器件尺寸，但会增加消耗电流。通过提高电流密度可以改善低噪声放大器的增益和噪声系数，但同样会增加电流消耗[3]。

B. 单端低噪声放大器

图2所示的用于单端低噪声放大器的共源共栅结构被认为是适用于低功耗、高增益和低噪声应用的最佳架构[1]。由于前端滤波器对低噪声放大器的阻抗敏感，输入阻抗被匹配至50欧姆。输入偏置的设定需满足所有要求，即其最小值应确保所有晶体管均工作于饱和区；其次，低噪声放大器的功耗也取决于偏置值。M2为共栅晶体管，用于减少调谐输入与调谐输出之间的相互作用。C0为耦合电容，晶体管M3与晶体管M1构成电流镜。为了最小化功耗，M3的宽度保持小于M1的宽度。Ld用于输出匹配网络，与输出负载谐振，以在谐振频率处最大化输出功率传输和增益。晶体管的共源共栅结构有助于减小S21和Cgd1的密勒效应。Lg通常用于设置谐振频率，而Rbias用于提供偏置。

本文采用基于功率优化的设计流程来设计单端低噪声放大器。噪声系数可通过以下公式[6]计算：

$$
F \approx 1 + \frac{2.4}{\omega_T} \left( \frac{\omega_0}{\omega_T} \right)^\gamma + \frac{1.62}{\omega_P} \left( \frac{\omega_0}{\omega_P} \right)^\alpha, \quad \gamma=2, \alpha=1
$$

当ID增加时，ωT增加，噪声系数降低，但代价是功耗增加。功耗（Pd）由以下公式计算：

$$
P_d = V_{dd} \times I_D
$$

低噪声放大器的元件值通过单端低噪声放大器的分析和迭代仿真进行优化。

C. 差分低噪声放大器

在集成电路设计中，差分电路由于相比单端电路具有多项重要优势而发挥着重要作用。噪声抑制和稳定的参考点是差分低噪声放大器[2]的两个主要优点。正负输入电压施加到每个半电路共源放大器的栅极上，低噪声放大器的输出在每个半单端电路的源极之间进行测量。

在差分低噪声放大器中，电流流动是单端低噪声放大器的两倍，因此功耗也是单端低噪声放大器的两倍。采用理想巴伦（平衡或非平衡）变压器为每个低噪声放大器输入提供差分信号。此外，在放大器输出端使用另一个巴伦来重新合并信号，以便能够仿真电压增益。带巴伦的差分低噪声放大器的完整原理图如图3所示。

D. 电流复用低噪声放大器（CRLNA）

CRLNA主要用于低功耗应用。电流复用是指回收偏置电流，使其可被多级电路共用。使用CMOS晶体管设计低噪声放大器的主要问题是其固有的跨导较低，因而导致增益较低。然而，采用电流复用技术可以提高跨导。

这种设计的一个主要缺点是由于输入和输出阻抗较高，需要外部匹配网络，这限制了CRLNA在全集成应用中的使用。图4给出了电流复用低噪声放大器的基本原理图。

在电流复用技术中，两个放大级垂直堆叠[9]。此外，低噪声放大器采用了共源共栅结构。通过这种方法，获得了更高增益。

从低噪声放大器拓扑结构可以看出，M3漏极处的总节点电容是电容Cd与变换后的电容Cb的并联。这些电容构成与电感Lout构成并联谐振电路，既可为输出信号提供理想的带通滤波，又可在中心频率处提高增益。对所提出的低噪声放大器电路进行了多次仿真迭代，以满足设计要求。

E. 用于低噪声放大器参数提取的人工神经网络（ANN）建模

所有主流仿真平台（例如本研究中使用的Cadence Spectre_RF）都采用电磁场求解器，这些求解器是电子设计自动化（EDA）工具的一部分。这些电磁求解器通常依赖于大量积分方程的求解，进而需要大量的内存和专用资源。因此，人们日益意识到有必要建立一种更具通用性、资源消耗更少，并能在需要时近似估算所有设计参数的建模技术。人工神经网络（ANN）正是这样一种建模技术，具有学习数据、逼近任意未见数据以及对非线性参数[13]‐[14]进行建模的能力。基于上述已有研究成果，本文尝试从获得的仿真数据[15]中估计不同的低噪声放大器（LNA）参数。该部分的重点在于构建并训练一种能够估计不同LNA参数未见映射的人工神经网络。本研究采用了一种最流行的人工神经网络结构，即使用反向传播（BP）算法进行训练的多层感知机。用于设计人工神经网络的神经元数学模型如图5所示。神经网络由三个基本元素组成：突触或连接链路、用于对输入信号进行求和的加法器，以及用于限制神经元输出幅度的激活函数。偏置bk用于增加或降低激活函数的净输入。

$$
u_k = \sum_{i=1}^{n} w_{ki} x_i + b_k
$$

$$
y_k = \phi(u_k)
$$

其中，xi为输入信号，wki为神经元k的突触权重，bk为偏置，uk为加法器输出，φ(.)为激活函数，yk为神经元的输出[15]。

采用BP算法，因为它是目前最流行的算法，并且具有低计算复杂度、合理的收敛时间和简单架构等多种优势。在本研究中，构建了三种不同配置的ANN模型，用于估计给定工作频率组合下的增益和噪声系数。通过实验优化了不同配置下ANN模型的最优架构。在所有情况下均选择单隐层架构进行仿真。隐层中的神经元数量通过实验进行调整，并将仿真结果与以测试目标向量形式存储的期望输出进行比较。70%的数据标记为训练数据，其余30%指定为测试向量。对于给定的学习率（η）和动量常数（α），ANN训练固定10,000个训练轮次，误差目标为0.005。达到期望误差目标的架构随后输入测试数据，以评估其泛化性能。为了最小化过拟合的可能性，采用m折交叉验证方案，其中m值为=6。测试向量从整个数据集中以六种不同的随机方式共选取六次。

III. 结果与分析

使用Cadence的Spectre_RF工具，基于联华电子（UMC）的0.18μm/1.8V RFCMOS工艺对低噪声放大器的配置原理图进行仿真。该电路在1GHz至4GHz频段内采用50Ω单端输入和输出端口进行仿真。通过调整偏置电压，优化噪声系数、换能增益、回波损耗和线性度。

在谐振频率（2GHz）下的仿真结果如下表1所示。

性能参数	单位	单端低噪声放大器	差分LNA	CRLNA
噪声系数 (NFmin)	dB	2.49	2.4	2.663
噪声系数 (NF)	dB	2.965	3.775	3.034
电压增益	dB	16.7	18.67	19.96
功率增益 (S21)	dB	19	16.4	23
S22	dB	-12.21	-14.15	-12.01
S11	dB	-8.032	-9.842	-12.49
S12	dB	-40.86	-42.86	-72.86
ID	mA	4.5	9	3.312
功耗	mW	8.1	16.2	5.958
Kf	—	5.391	3.221	116.9
Bif	—	1.055	0.255	0.9711
1分贝压缩点	dBm	-19.3297	-12.5176	-25.9921
三阶交调截点 (IIP3)	dBm	-10.3012	-2.86127	-16.4029
品质因数 (FOM)	GHz/mW	0.925	0.435	1.5507

单端低噪声放大器、差分低噪声放大器和电流复用低噪声放大器的S参数和噪声系数在图6中给出。在谐振频率处，根据设计参数，单端低噪声放大器的增益（S21）达到峰值，为19dB。差分低噪声放大器和CRLNA的增益峰值分别为16.4dB和23dB。从这些曲线中可以明显看出三种低噪声放大器配置的带通特性。S11和S22分别表示输入和输出反射系数，其值应小于0dB以实现良好匹配。在f=2GHz处，单端LNA的S11和S22分别为-8.032dB和-12.21dB；差分LNA为-9.842dB和-14.15dB；CRLNA为-12.49dB和-12.01dB。

低噪声放大器的关键特性是低噪声。在谐振频率处，单端LNA的噪声系数为2.965dB（NF），最小噪声系数（NFmin）为2.49dB；差分LNA的NF和NFmin分别为3.775dB和2.4dB；CRLNA的NF和NFmin分别为3.034dB和2.663dB。差分LNA的NFmin最低，但整体NF在单端LNA中最小。CRLNA的功耗最低，为5.958mW。CRLNA的功率增益（S21）为23dB，优于其他两种结构。随着频率增加，增益呈下降趋势。

单端低噪声放大器 (b) 差分低噪声放大器 (c) CRLNA)

图7a、7b和7c显示了三种LNA的1dB压缩点，分别为-19.32dBm（单端）、-12.51dBm（差分）和-25.99dBm（CRLNA），表明CRLNA具有更高的线性度。图8展示了在1GHz至4GHz范围内不同LNA拓扑的品质因数（FOM）对比。CRLNA在整个频段内FOM均显著领先，最高达1.5507 GHz/mW，远高于单端LNA（0.925 GHz/mW）和差分LNA（0.435 GHz/mW）。因此，CRLNA在综合性能上表现最优。

单端低噪声放大器 (b) 差分低噪声放大器 (c) CRLNA)

通过人工神经网络（ANN）建模对三种LNA的参数进行预测。图9a显示单端LNA的增益和噪声系数的期望值与ANN预测值高度吻合。图9b中，差分LNA的噪声系数预测精度高，增益略有偏差。图9c表明CRLNA的噪声系数预测结果与期望值几乎完全一致，增益预测存在一定误差。总体来看，ANN模型在噪声系数预测上表现优异，尤其适用于CRLNA结构。

单端低噪声放大器 (b) 差分低噪声放大器 (c) CRLNA)

IV. 结论

本文设计并比较了三种低噪声放大器（单端LNA、差分LNA、电流复用LNA）在180nm RFCMOS工艺下的性能。仿真结果表明，电流复用低噪声放大器（CRLNA）在增益（23dB）、功耗（5.958mW）和品质因数（FOM=1.5507 GHz/mW）方面表现最佳，综合性能优于其他两种结构。此外，本文提出了一种基于人工神经网络（ANN）的参数提取方法，能够高效逼近仿真结果，显著减少对传统高资源消耗仿真工具的依赖。ANN模型在噪声系数预测上表现出色，尤其适用于CRLNA配置。该方法为射频电路设计提供了一种快速、低开销的性能评估与优化途径。据现有文献，尚无类似ANN应用于LNA参数提取的研究，本工作填补了这一空白。