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/2505.06936v2
• Date: Thu, 02 Oct 2025 12:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:19.876147
• 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, Abbas Ozgoli, Saeed Abdollahi, Abdolali Abdipour, Ahmed A. Kishk,
• Abstract要約: マルチモードSIWフィルタの逆設計のために,ディープラーニングに基づくフレームワークを開発し,検証した。 一連のSIWフィルタが設計され、製造され、実験的に評価された。 提案フレームワークは、複雑なマイクロ波フィルタの堅牢で、正確で、一般化可能な逆設計を可能にする能力を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Designing high-performance substrate-integrated waveguide (SIW) filters with both closely spaced and widely separated resonances is challenging. Consequently, there is a growing need for robust methods that reduce reliance on time-consuming electromagnetic (EM) simulations. In this study, a deep learning-based framework was developed and validated for the inverse design of multi-mode SIW filters with both closely spaced and widely separated resonances. A series of SIW filters were designed, fabricated, and experimentally evaluated. A three-stage deep learning framework was implemented, consisting of a Feedforward Inverse Model (FIM), a Hybrid Inverse-Forward Residual Refinement Network (HiFR\textsuperscript{2}-Net), and an Iterative Residual Correction Network (IRC-Net). The design methodology and performance of each model were systematically analyzed. Notably, IRC-Net outperformed both FIM and HiFR\textsuperscript{2}-Net, achieving systematic error reduction over five correction iterations. Experimental results showed a reduction in mean squared error (MSE) from 0.00191 to 0.00146 and mean absolute error (MAE) from 0.0262 to 0.0209, indicating improved accuracy and convergence. The proposed framework demonstrates the capability to enable robust, accurate, and generalizable inverse design of complex microwave filters with minimal simulation cost. This approach is expected to facilitate rapid prototyping of advanced filter designs and could extend to other high-frequency components in microwave and millimeter-wave technologies.
• Abstract（参考訳）: 基板集積導波管(SIW)フィルタの設計は密接な空間と広く分離された共振の両方で困難である。 その結果、時間消費電磁シミュレーション(EM)の信頼性を低下させるロバストな手法の必要性が高まっている。 本研究では,多モードSIWフィルタの共振器と共振器の共振器と共振器の共振器の逆設計のために,深層学習に基づくフレームワークを開発し,検証した。 一連のSIWフィルタが設計され、製造され、実験的に評価された。 フィードフォワード・インバース・モデル(FIM)、ハイブリッド・インバース・フォワード・Residual Refinement Network(HiFR\textsuperscript{2}-Net)、反復的Residual Correction Network(IRC-Net)からなる3段階のディープラーニングフレームワークが実装された。 各モデルの設計方法論と性能を体系的に分析した。 特に、IRC-Net は FIM と HiFR\textsuperscript{2}-Net のどちらよりも優れており、5つの修正繰り返しに対して体系的なエラー低減を実現している。 実験の結果,平均二乗誤差 (MSE) は 0.00191 から 0.00146 に減少し,平均絶対誤差 (MAE) は 0.0262 から 0.0209 に減少した。 提案フレームワークは, シミュレーションコストを最小限に抑えた複雑なマイクロ波フィルタの, 堅牢で, 正確で, 一般化可能な逆設計を可能にする能力を示す。 このアプローチは、先進的なフィルタ設計の迅速なプロトタイピングを促進し、マイクロ波およびミリ波技術における他の高周波コンポーネントにまで拡張することが期待されている。

関連論文リスト

• Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
  本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。 我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2026-02-18T10:20:50Z)
• Self-Reinforced Deep Priors for Reparameterized Full Waveform Inversion [3.930876721046067]
  本稿では, 自己強化型DIP-FWIフレームワークを提案する。このフレームワークでは, ステアリングアルゴリズムが繰り返し毎に, ネットワークパラメータと入力を交互に更新する。 SRDIP-FWIは、マルチスケールFWIよりも優れた解像度、精度、深度浸透を実現している。
  論文  参考訳（メタデータ） (2025-12-09T06:30:39Z)
• Multi-resolution Physics-Aware Recurrent Convolutional Neural Network for Complex Flows [2.7233737247962786]
  MRPARCv2は、対流拡散反応方程式の構造を埋め込んで複雑な流れをモデル化するように設計されている。 The Well Multi-physicsベンチマークレポジトリの2次元乱流放射層データセットを用いて,そのモデルの評価を行った。
  論文  参考訳（メタデータ） (2025-12-04T16:19:10Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• Sustainable LSTM-Based Precoding for RIS-Aided mmWave MIMO Systems with Implicit CSI [2.8408947965063778]
  このフレームワークはアップリンクパイロットシーケンスを利用して暗黙的にチャネル特性を学習し、パイロットのオーバーヘッドと推論の複雑さを低減します。 提案した設計は、総探索のスペクトル効率の90%以上を計算時間のわずか2.2%で達成し、エネルギー消費量を2桁近く削減する。
  論文  参考訳（メタデータ） (2025-09-16T04:29:14Z)
• FMEnets: Flow, Material, and Energy networks for non-ideal plug flow reactor design [3.0194452317530662]
  FMEnetsは、非理想的なプラグフローリアクターの設計と解析のための機械学習フレームワークである。 基本的な支配方程式(流体流のNavier-Stokes、反応種輸送の物質収支、温度分布のエネルギー収支)を統一されたマルチスケールネットワークモデルに統合する。 従来のマルチ層パーセプトロンを使用するFME-PINNや、Kolmogorov-Arnold NetworksをベースとしたFME-KANとして実装することができる。
  論文  参考訳（メタデータ） (2025-05-10T03:46:48Z)
• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• 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)
• An Efficient Hierarchical Preconditioner-Learner Architecture for Reconstructing Multi-scale Basis Functions of High-dimensional Subsurface Fluid Flow [4.303037819686676]
  本研究では,高次元地下流れの多次元基底関数を再構築した効率的な階層型プレコンディショナー・ラーナーアーキテクチャを提案する。 FP-HMsNetは、MSEが0.0036、MAEが0.0375、R2が0.9716に達し、既存のモデルよりも大幅に優れていた。 このモデルは、より複雑な現実世界の応用に期待できる、効率的で正確な地下流動モデリングのための新しい方法を提供する。
  論文  参考訳（メタデータ） (2024-11-01T09:17:08Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• 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)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• 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)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• 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)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
  本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。 我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。 完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
  論文  参考訳（メタデータ） (2020-06-03T12:18:57Z)
• 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。