論文の概要: Data-Driven Antenna Miniaturization: A Knowledge-Based System Integrating Quantum PSO and Predictive Machine Learning Models

• arxiv url: http://arxiv.org/abs/2505.22440v1
• Date: Wed, 28 May 2025 15:04:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.670882
• Title: Data-Driven Antenna Miniaturization: A Knowledge-Based System Integrating Quantum PSO and Predictive Machine Learning Models
• Title（参考訳）: データ駆動アンテナの小型化:量子PSOと予測機械学習モデルを統合する知識ベースシステム
• Authors: Khan Masood Parvez, Sk Md Abidar Rahaman, Ali Shiri Sichani,
• Abstract要約: 本研究では,HFSSシミュレーションと量子ビーム動的粒子群最適化を統合し,アンテナ設計を高速化する。 QDPSOアルゴリズムは11.53秒でループ次元を自動最適化し、共振周波数は1.2208 GHzである。 システムは、製造可能なパラメータを自動生成するパフォーマンスターゲットの正確な仕様を可能にする。
• 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: The rapid evolution of wireless technologies necessitates automated design frameworks to address antenna miniaturization and performance optimization within constrained development cycles. This study demonstrates a machine learning enhanced workflow integrating Quantum-Behaved Dynamic Particle Swarm Optimization (QDPSO) with ANSYS HFSS simulations to accelerate antenna design. The QDPSO algorithm autonomously optimized loop dimensions in 11.53 seconds, achieving a resonance frequency of 1.4208 GHz a 12.7 percent reduction compared to conventional 1.60 GHz designs. Machine learning models (SVM, Random Forest, XGBoost, and Stacked ensembles) predicted resonance frequencies in 0.75 seconds using 936 simulation datasets, with stacked models showing superior training accuracy (R2=0.9825) and SVM demonstrating optimal validation performance (R2=0.7197). The complete design cycle, encompassing optimization, prediction, and ANSYS validation, required 12.42 minutes on standard desktop hardware (Intel i5-8500, 16GB RAM), contrasting sharply with the 50-hour benchmark of PSADEA-based approaches. This 240 times of acceleration eliminates traditional trial-and-error methods that often extend beyond seven expert-led days. The system enables precise specifications of performance targets with automated generation of fabrication-ready parameters, particularly benefiting compact consumer devices requiring rapid frequency tuning. By bridging AI-driven optimization with CAD validation, this framework reduces engineering workloads while ensuring production-ready designs, establishing a scalable paradigm for next-generation RF systems in 6G and IoT applications.
• Abstract（参考訳）: 無線技術の急速な進化は、アンテナの小型化と、制約付き開発サイクルにおける性能最適化に対処するために、自動設計フレームワークを必要とする。 本研究では,QDPSO(Quantum-Behaved Dynamic Particle Swarm Optimization)とANSYS HFSSシミュレーションを統合し,アンテナ設計の高速化を図る。 QDPSOアルゴリズムはループ次元を11.53秒で最適化し、従来の1.60GHzの設計に比べて1.4208 GHzの共振周波数を12.7%削減した。 機械学習モデル(SVM、ランダムフォレスト、XGBoost、スタックドアンサンブル)は、936のシミュレーションデータセットを使用して0.75秒で共振周波数を予測した。 最適化、予測、ANSYS検証を含む完全な設計サイクルは、標準的なデスクトップハードウェア(Intel i5-8500, 16GB RAM)で12.42分を必要とした。 この240倍の加速は、専門家主導の7日間を超える伝統的な試行錯誤手法を排除します。 このシステムは、製造可能なパラメータを自動生成するパフォーマンスターゲットの正確な仕様を可能にし、特に高速な周波数調整を必要とする小型のコンシューマーデバイスに恩恵を与える。 このフレームワークは、CADバリデーションでAI駆動の最適化をブリッジすることによって、プロダクション対応設計を確保しながら、エンジニアリングワークロードを削減し、6GおよびIoTアプリケーションにおける次世代RFシステムのためのスケーラブルなパラダイムを確立する。

関連論文リスト

• Development_of_a_novel_high-performance_balanced_homodyne_detector [4.304487989897226]
  本研究は, 平衡ホモダイン検出器(BHD)回路設計における最適化シミュレーション手法の最初の応用である。 AC増幅回路は2つのABA-52563RF増幅器をカスケード構成でADSの高周波シミュレーションにより実装した。 実装されたシステムは、4つの並列チャネルで20.0504 Gbpsの集合生成率を示し、すべての出力ストリームがNIST SP 800-22の統計的テスト要求に合格した。
  論文  参考訳（メタデータ） (2025-03-05T09:24:59Z)
• Reservoir Network with Structural Plasticity for Human Activity Recognition [2.355460994057843]
  Echo State Network(ESN)は、時系列データのユニークなパターンを特定し、将来のイベントを予測するために使用できる、リカレントニューラルネットワークのクラスである。 本研究では,ESNターゲットエッジデバイスに基づくカスタム設計ニューロモルフィックチップを提案する。 提案システムは, 構造的可塑性, シナプス的可塑性, 局所的オンチップなど, 様々な学習メカニズムをサポートする。
  論文  参考訳（メタデータ） (2025-03-01T07:57:22Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Hardware-Software Co-optimised Fast and Accurate Deep Reconfigurable Spiking Inference Accelerator Architecture Design Methodology [2.968768532937366]
  Spiking Neural Networks(SNN)は、機械学習モデルのエネルギー効率を改善するための有望なアプローチとして登場した。 我々は,ソフトウェア学習深層ニューラルネットワーク(DNN)を高精度スパイキングモデルに移植するハードウェア・ソフトウェア共同最適化戦略を開発した。
  論文  参考訳（メタデータ） (2024-10-07T05:04:13Z)
• Accelerating High-Fidelity Waveform Generation via Adversarial Flow Matching Optimization [37.35829410807451]
  本稿では,逆流マッチング最適化による高忠実かつ高効率な波形生成モデルである PeriodWave-Turbo を提案する。 さまざまな客観的メトリクスで最先端のパフォーマンスを達成するには、1,000ステップの微調整しか必要ありません。 PeriodWave のバックボーンを 29M から 70M のパラメータにスケールアップすることで、一般化を改善することで、 PeriodWave-Turbo は前例のない性能を実現している。
  論文  参考訳（メタデータ） (2024-08-15T08:34:00Z)
• Quasar-ViT: Hardware-Oriented Quantization-Aware Architecture Search for Vision Transformers [56.37495946212932]
  視覚変換器(ViT)は、畳み込みニューラルネットワーク(CNN)と比較して、コンピュータビジョンタスクにおいて優れた精度を示す。 ハードウェア指向の量子化対応アーキテクチャ検索フレームワークであるQuasar-ViTを提案する。
  論文  参考訳（メタデータ） (2024-07-25T16:35:46Z)
• DiffNAS: Bootstrapping Diffusion Models by Prompting for Better Architectures [63.12993314908957]
  そこで我々は,DiffNASと呼ばれるベースモデル探索手法を提案する。 GPT-4をスーパーネットとして利用して検索を高速化し,検索メモリを補足して結果を向上する。 厳密な実験により,GPTに基づくシナリオでは,探索効率を2倍に向上できることが示された。
  論文  参考訳（メタデータ） (2023-10-07T09:10:28Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)

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。