論文の概要: AI-Powered Inverse Design of Ku-Band SIW Resonant Structures by Iterative Residual Correction Network
- arxiv url: http://arxiv.org/abs/2505.06936v1
- Date: Sun, 11 May 2025 10:51:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-13 20:21:49.123039
- Title: AI-Powered Inverse Design of Ku-Band SIW Resonant Structures by Iterative Residual Correction Network
- Title（参考訳）: 繰り返し残差補正ネットワークによるKu帯SIW共振構造のAI駆動逆設計
- Authors: Mohammad Mashayekhi, Kamran Salehian,
- Abstract要約: 逆電磁モデリングは、高い精度と効率で複雑なマイクロ波構造を設計するための強力なアプローチとして登場した。
マルチモード共振器を用いたKuバンド基板集積導波管(SIW)の逆設計のための反復残差補正ネットワーク(IRC-Net)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inverse electromagnetic modeling has emerged as a powerful approach for designing complex microwave structures with high accuracy and efficiency. In this study, we propose an Iterative Residual Correction Network (IRC-Net) for the inverse design of Ku-band Substrate Integrated Waveguide (SIW) components based on multimode resonators. We use a multimode resonance structure to demonstrate that it is possible to control the resonances of the structure. Therefore, these structures can be used for resonant components and smart filter design. The proposed deep learning architecture leverages residual neural networks to overcome the limitations of traditional inverse design techniques, such as the Feedforward Inverse Model (FIM), offering improved generalization and prediction accuracy. The approach begins with a FIM to generate initial design estimates, followed by an iterative correction strategy inspired by the Hybrid Inverse-Forward Residual Refinement Network (HiFR\textsuperscript{2}-Net), which we call IRC-Net. Experiments demonstrate that the IRC-Net achieves substantial improvements in prediction accuracy compared to traditional single-stage networks, validated through statistical metrics, full-wave electromagnetic simulations, and measurements. To validate the proposed framework, we first design and fabricate a three-resonance SIW structure. Next, we apply the trained IRC-Net model to predict the geometry of a four-resonance structure based on its desired frequency response. Both designs are fabricated and tested, showing strong agreement between the simulated, predicted, and measured results, confirming the effectiveness and practicality of the proposed method.
- Abstract（参考訳）: 逆電磁モデリングは、高い精度と効率で複雑なマイクロ波構造を設計するための強力なアプローチとして登場した。
本研究では,多モード共振器を用いたKuバンド基板集積導波管(SIW)の逆設計のための反復残差補正ネットワーク(IRC-Net)を提案する。
我々は多モード共鳴構造を用いて、構造物の共鳴を制御できることを実証する。
したがって、これらの構造は共鳴成分やスマートフィルタ設計に利用できる。
提案したディープラーニングアーキテクチャは、残差ニューラルネットワークを利用して、Feedforward Inverse Model (FIM)のような従来の逆設計技術の限界を克服し、一般化と予測精度の向上を提供する。
このアプローチは、初期設計推定を生成するためのFIMから始まり、次にIRC-Netと呼ぶHybrid Inverse-Forward Residual Refinement Network(HiFR\textsuperscript{2}-Net)にインスパイアされた反復的修正戦略が続く。
実験により、IRC-Netは従来のシングルステージネットワークと比較して予測精度を大幅に改善し、統計メトリクス、フルウェーブ電磁シミュレーション、測定によって検証された。
提案手法を検証するため,まず三共振SIW構造の設計と製作を行う。
次に、トレーニングされたIRC-Netモデルを適用し、所望の周波数応答に基づいて4共振構造の幾何を予測する。
両設計は, シミュレーション, 予測, 測定結果の一致を強く示し, 提案手法の有効性と実用性を確認した。
関連論文リスト
- Model-driven deep neural network for enhanced direction finding with commodity 5G gNodeB [30.94668439883861]
現在の無線ネットワークは位置決め機能を実現するために純粋なモデル駆動技術に大きく依存している。
ここでは、空間スペクトルの画像回復タスクとして、方向探索または角度推定(AoA)問題を再構成する。
提案するMoD-DNNフレームワークは,有効スペクトルキャリブレーションと精度の高いAoA推定を可能にする。
論文 参考訳（メタデータ） (2024-12-14T02:09:36Z) - Waveform Design for Over-the-Air Computing [22.527868235353907]
我々は、時サンプリングエラーやシンボル間干渉(ISI)など、現在のデジタル通信トランシーバで遭遇する実用的課題について検討する。
我々は,時間サンプリング誤差とISIの下でのOTA伝送性能を向上させるために,新しいディープニューラルネットワーク(DNN)に基づく設計手法を提案する。
論文 参考訳（メタデータ） (2024-05-31T14:52:58Z) - Wav-KAN: Wavelet Kolmogorov-Arnold Networks [3.38220960870904]
Wav-KANは、Wavelet Kolmogorov-Arnold Networks(Wav-KAN)フレームワークを活用して、解釈性とパフォーマンスを向上させる革新的なニューラルネットワークアーキテクチャである。
我々の結果は、解釈可能な高性能ニューラルネットワークを開発するための強力なツールとして、Wav-KANの可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-05-21T14:36:16Z) - TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳（メタデータ） (2024-04-15T06:01:48Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - VQ-T: RNN Transducers using Vector-Quantized Prediction Network States [52.48566999668521]
本稿では,RNNトランスデューサの予測ネットワークにおけるベクトル量子化長短期記憶単位を提案する。
ASRネットワークと協調して離散表現を訓練することにより、格子生成のために仮説を積極的にマージすることができる。
提案するVQ RNNトランスデューサは,通常の予測ネットワークを持つトランスデューサよりもASR性能が向上することを示す。
論文 参考訳（メタデータ） (2022-08-03T02:45:52Z) - From Environmental Sound Representation to Robustness of 2D CNN Models
Against Adversarial Attacks [82.21746840893658]
本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
論文 参考訳（メタデータ） (2022-04-14T15:14:08Z) - Channel Estimation Based on Machine Learning Paradigm for Spatial
Modulation OFDM [0.0]
ディープニューラルネットワーク(DNN)は、レイリーフェディングチャネル上のエンドツーエンドデータ検出のための空間変調直交周波数分割多重化(SM-OFDM)技術と統合されている。
提案システムは受信したシンボルを直接復調し,チャネル推定を暗黙的に行う。
論文 参考訳（メタデータ） (2021-09-15T10:54:56Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - Error-feedback stochastic modeling strategy for time series forecasting
with convolutional neural networks [11.162185201961174]
本稿では,ランダム畳み込みネットワーク(ESM-CNN)ニューラル時系列予測タスクを構築するための新しいError-feedback Modeling (ESM)戦略を提案する。
提案したESM-CNNは、最先端のランダムニューラルネットワークを上回るだけでなく、トレーニングされた最先端のディープニューラルネットワークモデルと比較して、予測能力と計算オーバーヘッドの低減も実現している。
論文 参考訳（メタデータ） (2020-02-03T13:30:29Z)
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。