論文の概要: Improving Generative Inverse Design of Rectangular Patch Antennas with Test Time Optimization
- arxiv url: http://arxiv.org/abs/2505.18188v1
- Date: Mon, 19 May 2025 02:24:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-27 16:58:42.137641
- Title: Improving Generative Inverse Design of Rectangular Patch Antennas with Test Time Optimization
- Title（参考訳）: テスト時間最適化による矩形パッチアンテナの逆生成設計の改善
- Authors: Beck LaBash, Shahriar Khushrushahi, Fabian Ruehle,
- Abstract要約: 矩形パッチアンテナの逆設計のための2段階のディープラーニングフレームワークを提案する。
提案手法は自然に異なる設計基準に一般化し,より複雑な幾何学的設計空間に容易に適用できる。
- 参考スコア（独自算出の注目度）: 3.9599054392856483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a two-stage deep learning framework for the inverse design of rectangular patch antennas. Our approach leverages generative modeling to learn a latent representation of antenna frequency response curves and conditions a subsequent generative model on these responses to produce feasible antenna geometries. We further demonstrate that leveraging search and optimization techniques at test-time improves the accuracy of the generated designs and enables consideration of auxiliary objectives such as manufacturability. Our approach generalizes naturally to different design criteria, and can be easily adapted to more complex geometric design spaces.
- Abstract（参考訳）: 矩形パッチアンテナの逆設計のための2段階のディープラーニングフレームワークを提案する。
提案手法は, アンテナ周波数応答曲線の潜在表現を学習するために生成モデルを利用し, その後の生成モデルを用いて実現可能なアンテナジオメトリを生成する。
さらに,テスト時に探索および最適化技術を活用することにより,生成した設計の精度が向上し,製造性などの補助的目的を考慮できることを示す。
提案手法は自然に異なる設計基準に一般化し,より複雑な幾何学的設計空間に容易に適用できる。
関連論文リスト
- Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization [50.24983453990065]
そこで本研究では,大きな角状脳卒中を許容できる適合型クロスヒンジ機構の合成について述べる。
キネトスタティックな性能測定に基づいて,多目的最適化問題を定式化する。
論文 参考訳（メタデータ） (2025-04-23T06:29:10Z) - AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。
本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
論文 参考訳（メタデータ） (2024-10-02T03:10:38Z) - Generative Aerodynamic Design with Diffusion Probabilistic Models [0.7373617024876725]
生成モデルは、シミュレーションの大規模なデータセット上でジオメトリを一般化することにより、ジオメトリを提供する可能性を秘めている。
特に,XFOILシミュレーションで訓練した拡散確率モデルを用いて,所定の空力特性と制約を条件とした2次元翼ジオメトリーを合成する。
モデルが同一の要件と制約に対して多様な候補設計を生成可能であることを示し、最適化手順に複数の出発点を提供する設計空間を効果的に探索する。
論文 参考訳（メタデータ） (2024-09-20T08:38:36Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳（メタデータ） (2022-11-29T17:28:31Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - A Machine Learning Generative Method for Automating Antenna Design and
Optimization [9.438718097561061]
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。
論文 参考訳（メタデータ） (2022-02-28T21:30:37Z) - 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) - 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。