研究方向
1. 射频/微波器件与集成电路EDA技术；
2. 基于人工智能算法的射频/微波器件与集成电路建模及优化。
个人简介
那伟聪，女，工学博士，副教授。本科和博士分别毕业于天津大学和加拿大卡尔顿大学。2020年北京市海外高层次人才获得者，2023年入选北京市科协青年人才托举工程。主要从事射频/微波器件与集成电路的EDA技术研究，目前作为项目负责人主持/完成国家自然科学基金（面上、青年）、北京市自然科学基金（青年）、北京市教委科技计划项目、河北省重点研发计划项目、中国博士后科学基金、北京市博士后科研经费资助项目、以及企事业单位合作项目等科研项目8项。迄今为止，发表学术论文59篇（一作/通信20篇），其中微波领域顶级期刊IEEE TMTT、IEEE MWCL等期刊上共发表高水平SCI论文33篇（一作/通信15篇），EI论文26篇（一作/通信5篇），申请国家发明专利5项，获批软件著作权1项。长期担任IEEE TMTT、IEEE MWCL等顶级期刊审稿人，并多次担任微波领域国际会议的技术评审委员会委员、分会场主席等。
教育简历
2008年9月至2012年6月，天津大学微电子学院，获工学学士学位，天津大学优秀毕业生；
2012年9月至2018年11月，天津大学微电子学院，获工学博士学位；
2014年9月至2018年11月，加拿大卡尔顿大学电子系，获工学博士学位（与天津大学联合培养，双博士学位）。
工作履历
2018年12月至2022年3月，银河集团9873.cσm微电子学院，讲师；
2022年4月至今，银河集团9873.cσm微电子学院，副教授。
学术兼职
IEEE TMTT、IEEE MWCL等国际顶级期刊审稿人；国家自然科学基金函评专家；中国电子学会会员；2022 年及2021年IEEE MTT-S EMO（“电磁建模与优化”青年学者研讨会）联席主席和技术委员会主席、以及微波电磁领域多个国际会议的技术评审委员会委员、分会场主席等。
课程教学
本科生教学：数字电子技术、电子工程设计
研究生教学：人工智能神经网络技术及其微波应用
科研项目
作为项目负责人主持/完成国家自然科学基金（面上、青年）、北京市自然科学基金（青年）、北京市教委科技计划项目、河北省重点研发计划项目、中国博士后科学基金、北京市博士后科研经费资助项目、以及企事业单位合作项目等科研项目8项。
荣誉和获奖
2023年入选北京市科协青年人才托举工程。
主要论文论著
[1] A.Faraji, S. A. Sadrossadat, Weicong Na*, Feng Feng, and Q.-J. Zhang, “A new macromodeling method based on deep gated recurrent unit regularized with gaussian dropout for nonlinear circuits,” IEEE Transactions on Circuits and Systems-I: Regular Papers, Early Access, 2023.
[2] F. Charoosaei, M. Noohi, S. A. Sadrossadat, A. Mirvakili, Weicong Na*, Feng Feng, “High-order deep recurrent neural network with hybrid layers for modeling dynamic behavior of nonlinear high-frequency circuits,” IEEE Trans. Microw. Theory Techn., vol. 70, no. 12, pp. 5340-5358, Nov. 2022.
[3] Weicong Na, Ke Liu, Wanrong Zhang, Feng Feng, Hongyun Xie, and Dongyue Jin, “Automated multilayer neural network structure adaptation method with l1 regularization for microwave modeling,” IEEE Microwave and Wireless Components Letters, vol. 32, no. 7, pp. 815-818, Jul. 2022.
[4] Zhifu Hu, Weicong Na*, Meilin He, Ruicong He, Jiahui Li, Qijun Zhang, Kaixue Ma, “A circuit-based neuro-space mapping technique for small-signal modeling of multi-gate GaN HEMT switches,” Int. J. RF Microw. Comput. Aided Eng., 2022; e23396. Doi:10.1002/mmce.23396.
[5] Weicong Na, Ke Liu, Haocheng Cai, Wanrong Zhang, Hongyun Xie, and Dongyue Jin, “Efficient EM optimization exploiting parallel local sampling strategy and Bayesian optimization for microwave applications,” IEEE Microwave and Wireless Components Letters, vol. 31, no. 10, pp. 1103-1106, Jul. 2021.
[6] Jinyuan Cui, Feng Feng, Weicong Na*, and Qi-Jun Zhang, “Bayesian-based automated model generation method for neural network modeling of microwave components,” IEEE Microwave and Wireless Components Letters, vol. 31, no. 11, pp. 1179-1182, June 2021.
[7] Feng Feng, Weicong Na*, Wenyuan Liu, Shuxia Yan, Lin Zhu, and Qi-Jun Zhang, “Parallel gradient-based EM optimization for microwave components using adjoint-sensitivity-based neuro-transfer function surrogate,” IEEE Transactions on Microwave Theory and Techniques, vol. 68, no. 9, pp. 3606-3620, Sep. 2020.
[8] Weicong Na*, Wenyuan Liu, Lin Zhu, Feng Feng, Jianguo Ma, and Qi-Jun Zhang, “Advanced extrapolation technique for neural-based microwave modeling and design,” IEEE Trans. Microw. Theory Techn., vol. 66, no. 10, pp. 4397-4418, Aug. 2018.
[9] Weicong Na*, Feng Feng, Chao Zhang, and Qi-Jun Zhang, “A unified automated parametric modeling algorithm using knowledge-based neural network and l1 optimization,” IEEE Trans. Microw. Theory Techn., vol. 65, no. 3, pp. 729-745, Mar. 2017.
[10] Weicong Na*, and Qi-Jun Zhang, “Automated knowledge-based neural network modeling for microwave applications,” IEEE Microwave and Wireless Components Letters, vol. 24, no. 7, pp. 499-501, June 2014.
