論文の概要: A Machine Learning Generative Method for Automating Antenna Design and
Optimization
- arxiv url: http://arxiv.org/abs/2203.11698v1
- Date: Mon, 28 Feb 2022 21:30:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 05:44:33.024929
- Title: A Machine Learning Generative Method for Automating Antenna Design and
Optimization
- Title(参考訳): アンテナ設計と最適化を自動化する機械学習生成手法
- Authors: Yang Zhong, Peter Renner, Weiping Dou, Geng Ye, Jiang Zhu, and Qing
Huo Liu
- Abstract要約: 異なるノードを接続することで任意の形状を形成できるメッシュネットワークの概念を取り入れたフレキシブルな幾何学的スキームを導入する。
広帯域なデュアル共振アンテナの設計では,提案手法はTrust Region Frameworkと同等であり,他の成熟した機械学習アルゴリズムよりもはるかに優れている。
- 参考スコア(独自算出の注目度): 9.438718097561061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To facilitate the antenna design with the aid of computer, one of the
practices in consumer electronic industry is to model and optimize antenna
performances with a simplified antenna geometric scheme. Traditional antenna
modeling requires profound prior knowledge of electromagnetics in order to
achieve a good design which satisfies the performance specifications from both
antenna and product designs. The ease of handling multidimensional optimization
problems and the less dependence on domain knowledge and experience are the key
to achieve the popularity of simulation driven antenna design and optimization
for the industry. In this paper, we introduce a flexible geometric scheme with
the concept of mesh network that can form any arbitrary shape by connecting
different nodes. For such problems with high dimensional parameters, we propose
a machine learning based generative method to assist the searching of optimal
solutions. It consists of discriminators and generators. The discriminators are
used to predict the performance of geometric models, and the generators to
create new candidates that will pass the discriminators. Moreover, an
evolutionary criterion approach is proposed for further improving the
efficiency of our method. Finally, not only optimal solutions can be found, but
also the well trained generators can be used to automate future antenna design
and optimization. For a dual resonance antenna design with wide bandwidth, our
proposed method is in par with Trust Region Framework and much better than the
other mature machine learning algorithms including the widely used Genetic
Algorithm and Particle Swarm Optimization. When there is no wide bandwidth
requirement, it is better than Trust Region Framework.
- Abstract(参考訳): アンテナ設計をコンピュータの助けを借りて容易にするために、消費者電子産業ではアンテナの幾何学的構成を単純化してアンテナ性能をモデル化し最適化する。
従来のアンテナモデリングは、アンテナ設計と製品設計の両方のパフォーマンス仕様を満たす優れた設計を実現するために、電磁の深い事前知識を必要とする。
多次元最適化問題への対処の容易さとドメイン知識と経験への依存の低さは、シミュレーション駆動アンテナ設計と業界への最適化の人気を達成するための鍵である。
本稿では,異なるノードを接続して任意の形状を形成するメッシュネットワークの概念を用いた柔軟な幾何スキームを提案する。
このような高次元パラメータ問題に対して,最適解探索を支援する機械学習による生成法を提案する。
判別器と発電機で構成される。
判別器は幾何学モデルの性能を予測するために使われ、生成器は識別器を通過する新しい候補を作成する。
さらに,本手法の効率をさらに高めるために,進化基準法が提案されている。
最後に、最適解を見つけるだけでなく、よく訓練された発電機を使って将来のアンテナの設計と最適化を自動化することができる。
広帯域のデュアル共振アンテナの設計において,提案手法は信頼領域の枠組みと同等であり,広く用いられている遺伝的アルゴリズムや粒子群最適化など,他の成熟した機械学習アルゴリズムよりも優れている。
帯域幅の広い要求がなければ、Trust Region Frameworkよりもよいでしょう。
関連論文リスト
- Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。
この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
論文 参考訳(メタデータ) (2025-02-09T09:15:47Z) - Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。
BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。
我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
論文 参考訳(メタデータ) (2024-12-03T19:20:08Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳(メタデータ) (2023-01-20T17:06:34Z) - Early-Phase Performance-Driven Design using Generative Models [0.0]
本研究では,3次元モデリング環境において直接対話を行うことのできる,性能駆動型幾何生成手法を提案する。
この方法は機械学習技術を使って生成モデルをオフラインでトレーニングする。
生成モデルの潜在空間をナビゲートすることにより、所望の特性を持つ測地を迅速に生成することができる。
論文 参考訳(メタデータ) (2021-07-19T01:25:11Z) - HyperHyperNetworks for the Design of Antenna Arrays [91.3755431537592]
アレイ設計のための深層学習手法と小型アンテナの単一インスタンスについて述べる。
単一のアンテナの場合、ソリューションはシミュレーションネットワーク、ハイパーネットワーク、および精製ネットワークを組み合わせた複合ニューラルネットワークに基づいています。
学習目的は、得られた放射パターンと所望の放射パターンの類似度を測定することに基づく。
論文 参考訳(メタデータ) (2021-05-09T05:21:28Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳(メタデータ) (2021-01-02T15:21:08Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - Enhanced data efficiency using deep neural networks and Gaussian
processes for aerodynamic design optimization [0.0]
随伴型最適化法は空気力学的形状設計において魅力的である。
複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。
本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-15T15:09:21Z) - Machine Learning-aided Design of Thinned Antenna Arrays for Optimized
Network Level Performance [19.17059890143665]
本稿では,アンテナ設計のシミュレーションに基づく最適化を実現する機械学習フレームワークを提案する。
学習手法が複雑なシミュレータをモデストデータセットでエミュレートする方法を示す。
以上の結果から,提案手法をアンテナアレイの最適化に有効に適用できることが示唆された。
論文 参考訳(メタデータ) (2020-01-25T15:34:32Z)
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。