論文の概要: Deep Learning Assisted End-to-End Synthesis of mm-Wave Passive Networks
with 3D EM Structures: A Study on A Transformer-Based Matching Network
- arxiv url: http://arxiv.org/abs/2201.02141v1
- Date: Thu, 6 Jan 2022 16:55:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-07 16:22:26.609932
- Title: Deep Learning Assisted End-to-End Synthesis of mm-Wave Passive Networks
with 3D EM Structures: A Study on A Transformer-Based Matching Network
- Title（参考訳）: 3次元em構造を有するmm波受動ネットワークのディープラーニングによるエンドツーエンド合成--トランスベースマッチングネットワークに関する研究
- Authors: Siawpeng Er, Edward Liu, Minshuo Chen, Yan Li, Yuqi Liu, Tuo Zhao, Hua
Wang
- Abstract要約: 本稿では,3次元EM構造を持つRF/mm波受動マッチングネットワークのエンドツーエンド生成のためのディープラーニング合成手法を提案する。
オンチップ1:1変圧器を用いたインピーダンスマッチングネットワーク上で,提案した合成ニューラルネットワーク(NN)モデルを示す。
- 参考スコア（独自算出の注目度）: 34.714685301031636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a deep learning assisted synthesis approach for direct
end-to-end generation of RF/mm-wave passive matching network with 3D EM
structures. Different from prior approaches that synthesize EM structures from
target circuit component values and target topologies, our proposed approach
achieves the direct synthesis of the passive network given the network topology
from desired performance values as input. We showcase the proposed synthesis
Neural Network (NN) model on an on-chip 1:1 transformer-based impedance
matching network. By leveraging parameter sharing, the synthesis NN model
successfully extracts relevant features from the input impedance and load
capacitors, and predict the transformer 3D EM geometry in a 45nm SOI process
that will match the standard 50$\Omega$ load to the target input impedance
while absorbing the two loading capacitors. As a proof-of-concept, several
example transformer geometries were synthesized, and verified in Ansys HFSS to
provide the desired input impedance.
- Abstract（参考訳）: 本稿では,3次元EM構造を持つRF/mm波受動マッチングネットワークのエンドツーエンド生成のためのディープラーニング支援合成手法を提案する。
対象回路成分値と対象トポロジからem構造を合成する従来の手法とは異なり,提案手法は入力として所望の性能値からネットワークトポロジーを与えられた受動的ネットワークを直接合成する。
提案する合成ニューラルネットワーク(nn)モデルをオンチップ1:1トランスベースインピーダンスマッチングネットワーク上で紹介する。
パラメータ共有を利用した合成nnモデルは、入力インピーダンスと負荷キャパシタから関連する特徴をうまく抽出し、2つの負荷キャパシタを吸収しながら、標準の50$\omega$負荷とターゲット入力インピーダンスと一致する45nm soiプロセスでトランスフォーマ3d em形状を予測する。
概念実証として、いくつかの変圧器のジオメトリが合成され、Ansys HFSSで検証され、所望の入力インピーダンスが得られた。
関連論文リスト
- Fiber Transmission Model with Parameterized Inputs based on GPT-PINN Neural Network [5.687110567253701]
短距離伝送のための新規な原理駆動ファイバ伝送モデルが提案される。
2Gbpsから50Gbpsまでのビットレートを持つオンオフ鍵信号のタスクをモデルの有効性を示すために採用する。
論文 参考訳（メタデータ） (2024-08-19T12:37:15Z) - One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from
Electromagnetic Solvers [57.441926088870325]
Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。
本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-06T20:28:37Z) - Implementing Neural Network-Based Equalizers in a Coherent Optical
Transmission System Using Field-Programmable Gate Arrays [3.1543509940301946]
我々は、コヒーレント光伝送システムにおける非線形性補償のための、リカレントおよびフィードフォワードニューラルネットワーク(NN)ベースの等化器のオフラインFPGA実現について述べる。
主な結果は、性能比較、アクティベーション関数の実装方法の分析、ハードウェアの複雑さに関するレポートの3つに分けられる。
論文 参考訳（メタデータ） (2022-12-09T07:28:45Z) - Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。
通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
論文 参考訳（メタデータ） (2022-10-07T15:39:11Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳（メタデータ） (2022-03-29T21:18:47Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - Synthesis of parametrically-coupled networks [0.0]
パラメトリック結合回路の記述を統一するために,共通言語が利用できることを示す。
これにより、マイクロ波工学からのネットワーク合成手法を容易に適用できる。
論文 参考訳（メタデータ） (2021-09-18T01:51:39Z) - End-to-End Learning for Uplink MU-SIMO Joint Transmitter and
Non-Coherent Receiver Design in Fading Channels [11.182920270301304]
JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。
送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。
非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
論文 参考訳（メタデータ） (2021-05-04T02:47:59Z) - Residual Network Based Direct Synthesis of EM Structures: A Study on
One-to-One Transformers [35.451149722564054]
オンチップ電磁(EM)受動構造の直接合成に機械学習モデルを用いることを提案する。
提案したニューラルネットワークモデルを用いて,45nm SOIプロセス上での1:1変換器の直接合成を実演する。
論文 参考訳（メタデータ） (2020-08-25T00:20:59Z) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳（メタデータ） (2020-06-02T23:38:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。