空腔型薄膜体声波滤波器的关键技术进展
陶桂龙, 支国伟, 罗添友, 欧阳佩东, 衣新燕, 李国强
无机材料学报
2025, 40 ( 2):
128-144.
DOI:10.15541/jim20240355
随着通信技术升级以及5G通信应用的驱动, 各种智能设备所需的滤波器数量激增, 促进了滤波器市场的繁荣, 但对其性能要求也越来越高, 例如大带宽、高频率、高功率容量、微型化、集成化以及低成本等指标是学术界与产业界重点关注的方向, 而基于薄膜体声波谐振器(Thin Film Bulk Acoustic Resonator, FBAR)技术的FBAR滤波器已成为最有前景的滤波器之一。另外, 当前空腔型FBAR滤波器已取得了一定的商业成功, 但是仍面临性能不足、工艺复杂、成本略高、技术受限等困境。为此, 本文试图从器件理论研究与结构优化、高性能压电材料制备与优化、新型工艺开发及技术融合三方面对FBAR滤波器的相关问题与关键技术进行综述, 旨在为该研究领域的学者梳理FBAR滤波器技术进阶与迭代的脉络, 以期为未来研究的路径与方向提供若干启发性思考。
View image in article
图17
用于滤波器参数预测的卷积混合网络[94]
正文中引用本图/表的段落
随着AI技术的蓬勃发展, 一些研究者已开始探索将机器学习与智能算法迁移应用于滤波器的设计之中, 以此革新传统的滤波器设计方法。Sun等[94]提出了一种深度神经网络并将其应用于滤波器的辅助设计, 所构建的神经网络模型如图17所示。该模型以滤波器的S参数组成的序列作为输入, 利用卷积(Convolutional)层来提取S参数的特征信息, 并通过全连接(Fully Connected)层来建立这些特征与耦合矩阵之间的映射关系, 从而高效预测滤波器耦合矩阵, 最后通过设计一款四阶带通滤波器进行了有效验证。Sallam等[95]提出了一种电路模型的卷积神经网络(Convolutional Neural Network, CNN)用于提取滤波器参数中的耦合矩阵, 该研究显示基于深度学习的CNN在提取耦合参数方面更加准确快速。随后, 用于高维滤波器的反向电磁行为建模和设计优化并集成传递函数和一维多通道的CNN也得到了报道[96], 针对滤波器而开发的基于特征辅助的人工神经网络多物理场优化技术也已被提出[97]。当前, 尽管AI算法在滤波器设计中的应用还处于初级阶段, 但其无疑具有巨大潜力和发展空间, 可进一步助推FBAR滤波器的发展。
Bogner等[ 91]通过引入无源全通技术的设计概念开发了一款适用于N79频段的FBAR滤波器, 实现了多频段的共存使用.Wu等[ 92- 93]报道了一种通过扩展传输线来增加FBAR滤波器频带宽度的方法, 制备的两款混合FBAR滤波器分别实现了24.9%和56%的相对带宽、1.87和1.733 dB的最小插入损耗、0.91和0.83的矩形系数.利用传输线特性为设计滤波器提供了更大的灵活性和便利性, 然而该技术所制备的两款滤波器的尺寸较大, 无法应用于需要高度集成化以及微型化的通信设备之中. ... Compact and high steep skirts hybrid heterogeneous integrated N77 full band BAW filter based on band-stop theory 1 2024 ... Chen等[89]报道了一款集成FBAR与IPD的N41频段混合滤波器的仿真设计, 该滤波器的三维结构如图16所示.该混合滤波器相较于单一结构的FBAR滤波器具有更大的带宽, 且在插入损耗、带外抑制、非线性以及功率容量方面都具有更大的优势.Ding等[90]报道了一款适用于N77频段的混合滤波器, 该滤波器由Al0.8Sc0.2N薄膜的BAW谐振器与IPD混合构筑而成, 其平均插入损耗为-2 dB, 带外抑制为-28 dB, 平均滚降为250 MHz, 有效面积仅为1 mm×0.85 mm.这些结合FBAR而实现的混合滤波器的研发为研究人员拓展了思路. ... All-pass based filter design using BAW resonators 1 2019 ... Bogner等[91]通过引入无源全通技术的设计概念开发了一款适用于N79频段的FBAR滤波器, 实现了多频段的共存使用.Wu等[92-93]报道了一种通过扩展传输线来增加FBAR滤波器频带宽度的方法, 制备的两款混合FBAR滤波器分别实现了24.9%和56%的相对带宽、1.87和1.733 dB的最小插入损耗、0.91和0.83的矩形系数.利用传输线特性为设计滤波器提供了更大的灵活性和便利性, 然而该技术所制备的两款滤波器的尺寸较大, 无法应用于需要高度集成化以及微型化的通信设备之中. ... A hybrid film-bulk- acoustic-resonator/coupled-line/transmission-line high selectivity wideband bandpass FBAR filter 1 2020 ... Bogner等[91]通过引入无源全通技术的设计概念开发了一款适用于N79频段的FBAR滤波器, 实现了多频段的共存使用.Wu等[92-93]报道了一种通过扩展传输线来增加FBAR滤波器频带宽度的方法, 制备的两款混合FBAR滤波器分别实现了24.9%和56%的相对带宽、1.87和1.733 dB的最小插入损耗、0.91和0.83的矩形系数.利用传输线特性为设计滤波器提供了更大的灵活性和便利性, 然而该技术所制备的两款滤波器的尺寸较大, 无法应用于需要高度集成化以及微型化的通信设备之中. ... A hybrid filter with extremely wide bandwidth and high selectivity using FBAR network 1 2022 ... Bogner等[91]通过引入无源全通技术的设计概念开发了一款适用于N79频段的FBAR滤波器, 实现了多频段的共存使用.Wu等[92-93]报道了一种通过扩展传输线来增加FBAR滤波器频带宽度的方法, 制备的两款混合FBAR滤波器分别实现了24.9%和56%的相对带宽、1.87和1.733 dB的最小插入损耗、0.91和0.83的矩形系数.利用传输线特性为设计滤波器提供了更大的灵活性和便利性, 然而该技术所制备的两款滤波器的尺寸较大, 无法应用于需要高度集成化以及微型化的通信设备之中. ... A deep neural network based tuning technique of lossy microwave coupled resonator filters 3 2019 ... 随着AI技术的蓬勃发展, 一些研究者已开始探索将机器学习与智能算法迁移应用于滤波器的设计之中, 以此革新传统的滤波器设计方法.Sun等[94]提出了一种深度神经网络并将其应用于滤波器的辅助设计, 所构建的神经网络模型如图17所示.该模型以滤波器的S参数组成的序列作为输入, 利用卷积(Convolutional)层来提取S参数的特征信息, 并通过全连接(Fully Connected)层来建立这些特征与耦合矩阵之间的映射关系, 从而高效预测滤波器耦合矩阵, 最后通过设计一款四阶带通滤波器进行了有效验证.Sallam等[95]提出了一种电路模型的卷积神经网络(Convolutional Neural Network, CNN)用于提取滤波器参数中的耦合矩阵, 该研究显示基于深度学习的CNN在提取耦合参数方面更加准确快速.随后, 用于高维滤波器的反向电磁行为建模和设计优化并集成传递函数和一维多通道的CNN也得到了报道[96], 针对滤波器而开发的基于特征辅助的人工神经网络多物理场优化技术也已被提出[97].当前, 尽管AI算法在滤波器设计中的应用还处于初级阶段, 但其无疑具有巨大潜力和发展空间, 可进一步助推FBAR滤波器的发展. ...
随着器件微型化进展以及智能终端设备性能优化的需求, 分立器件将逐渐被淘汰, 集成化设计已成为趋势, 且目前通信系统的瞬时带宽已从传统的10 MHz级别提升至100 MHz级别, 这离不开射频前端器件模块化、集成化技术[ 98], 如 图18所示.FBAR的制备工艺兼容于传统IC工艺, 这便于FBAR滤波器与多种射频前端器件的一体化集成.Moreira等[ 99]早在2005年就已提出将FBAR滤波器、低噪声放大器、单-差分变换器等模块集成化的思路.Pillai等[ 100]则将FBAR与互补金属氧化物半导体(Complementary Metal Oxide Semiconductor, CMOS)电路相结合, 打造了一款面积约为300 μm×250 μm的集成系统.而Gao等[ 101]基于异构片上的系统集成策略实现了FBAR与CMOS电路的集成, 顺利解决了工艺不兼容的问题.Campanella等[ 102]报道了一种集成BAW滤波器、射频绝缘体开关的单片射频前端模块, 该模块可实现多频带操作, 与系统级封装模块相比, 其采用的垂直集成可减少器件的占用面积, 并降低模块集成和设计的复杂性.Yu等[ 103]则将FBAR滤波器通过晶圆级封装技术集成到印刷电路板上, 且在印刷电路板的中间层设计了相应的匹配电感, 该方案不仅优化了FBAR滤波器的性能, 还具有微型化、高灵活性、易集成等特点.这些研究都为FBAR滤波器及其他射频前端器件的一体化集成提供了有价值的思路. ... Convolutional neural network for coupling matrix extraction of microwave filters 1 2022 ... 随着AI技术的蓬勃发展, 一些研究者已开始探索将机器学习与智能算法迁移应用于滤波器的设计之中, 以此革新传统的滤波器设计方法.Sun等[94]提出了一种深度神经网络并将其应用于滤波器的辅助设计, 所构建的神经网络模型如图17所示.该模型以滤波器的S参数组成的序列作为输入, 利用卷积(Convolutional)层来提取S参数的特征信息, 并通过全连接(Fully Connected)层来建立这些特征与耦合矩阵之间的映射关系, 从而高效预测滤波器耦合矩阵, 最后通过设计一款四阶带通滤波器进行了有效验证.Sallam等[95]提出了一种电路模型的卷积神经网络(Convolutional Neural Network, CNN)用于提取滤波器参数中的耦合矩阵, 该研究显示基于深度学习的CNN在提取耦合参数方面更加准确快速.随后, 用于高维滤波器的反向电磁行为建模和设计优化并集成传递函数和一维多通道的CNN也得到了报道[96], 针对滤波器而开发的基于特征辅助的人工神经网络多物理场优化技术也已被提出[97].当前, 尽管AI算法在滤波器设计中的应用还处于初级阶段, 但其无疑具有巨大潜力和发展空间, 可进一步助推FBAR滤波器的发展. ... 1-D multi-channel CNN with transfer functions for inverse electromagnetic behaviors modeling and design optimization of high-dimensional filters 1 2023 ... 随着AI技术的蓬勃发展, 一些研究者已开始探索将机器学习与智能算法迁移应用于滤波器的设计之中, 以此革新传统的滤波器设计方法.Sun等[94]提出了一种深度神经网络并将其应用于滤波器的辅助设计, 所构建的神经网络模型如图17所示.该模型以滤波器的S参数组成的序列作为输入, 利用卷积(Convolutional)层来提取S参数的特征信息, 并通过全连接(Fully Connected)层来建立这些特征与耦合矩阵之间的映射关系, 从而高效预测滤波器耦合矩阵, 最后通过设计一款四阶带通滤波器进行了有效验证.Sallam等[95]提出了一种电路模型的卷积神经网络(Convolutional Neural Network, CNN)用于提取滤波器参数中的耦合矩阵, 该研究显示基于深度学习的CNN在提取耦合参数方面更加准确快速.随后, 用于高维滤波器的反向电磁行为建模和设计优化并集成传递函数和一维多通道的CNN也得到了报道[96], 针对滤波器而开发的基于特征辅助的人工神经网络多物理场优化技术也已被提出[97].当前, 尽管AI算法在滤波器设计中的应用还处于初级阶段, 但其无疑具有巨大潜力和发展空间, 可进一步助推FBAR滤波器的发展. ... Feature-assisted neural network surrogate-based multiphysics optimization for microwave filters 1 2024 ... 随着AI技术的蓬勃发展, 一些研究者已开始探索将机器学习与智能算法迁移应用于滤波器的设计之中, 以此革新传统的滤波器设计方法.Sun等[94]提出了一种深度神经网络并将其应用于滤波器的辅助设计, 所构建的神经网络模型如图17所示.该模型以滤波器的S参数组成的序列作为输入, 利用卷积(Convolutional)层来提取S参数的特征信息, 并通过全连接(Fully Connected)层来建立这些特征与耦合矩阵之间的映射关系, 从而高效预测滤波器耦合矩阵, 最后通过设计一款四阶带通滤波器进行了有效验证.Sallam等[95]提出了一种电路模型的卷积神经网络(Convolutional Neural Network, CNN)用于提取滤波器参数中的耦合矩阵, 该研究显示基于深度学习的CNN在提取耦合参数方面更加准确快速.随后, 用于高维滤波器的反向电磁行为建模和设计优化并集成传递函数和一维多通道的CNN也得到了报道[96], 针对滤波器而开发的基于特征辅助的人工神经网络多物理场优化技术也已被提出[97].当前, 尽管AI算法在滤波器设计中的应用还处于初级阶段, 但其无疑具有巨大潜力和发展空间, 可进一步助推FBAR滤波器的发展. ... Multiple transmitter coexistence for 5G RF front end modules 3 2022 ... 随着器件微型化进展以及智能终端设备性能优化的需求, 分立器件将逐渐被淘汰, 集成化设计已成为趋势, 且目前通信系统的瞬时带宽已从传统的10 MHz级别提升至100 MHz级别, 这离不开射频前端器件模块化、集成化技术[98], 如图18所示.FBAR的制备工艺兼容于传统IC工艺, 这便于FBAR滤波器与多种射频前端器件的一体化集成.Moreira等[99]早在2005年就已提出将FBAR滤波器、低噪声放大器、单-差分变换器等模块集成化的思路.Pillai等[100]则将FBAR与互补金属氧化物半导体(Complementary Metal Oxide Semiconductor, CMOS)电路相结合, 打造了一款面积约为300 μm×250 μm的集成系统.而Gao等[101]基于异构片上的系统集成策略实现了FBAR与CMOS电路的集成, 顺利解决了工艺不兼容的问题.Campanella等[102]报道了一种集成BAW滤波器、射频绝缘体开关的单片射频前端模块, 该模块可实现多频带操作, 与系统级封装模块相比, 其采用的垂直集成可减少器件的占用面积, 并降低模块集成和设计的复杂性.Yu等[103]则将FBAR滤波器通过晶圆级封装技术集成到印刷电路板上, 且在印刷电路板的中间层设计了相应的匹配电感, 该方案不仅优化了FBAR滤波器的性能, 还具有微型化、高灵活性、易集成等特点.这些研究都为FBAR滤波器及其他射频前端器件的一体化集成提供了有价值的思路. ...
本文的其它图/表
|
