論文の概要: Advanced Space Mapping Technique Integrating a Shared Coarse Model for Multistate Tuning-Driven Multiphysics Optimization of Tunable Filters

• arxiv url: http://arxiv.org/abs/2507.14220v1
• Date: Wed, 16 Jul 2025 11:47:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.777275
• Title: Advanced Space Mapping Technique Integrating a Shared Coarse Model for Multistate Tuning-Driven Multiphysics Optimization of Tunable Filters
• Title（参考訳）: 共振器フィルタの多状態チューニング駆動型多物理最適化のための共振器モデルの統合による空間マッピング手法
• Authors: Haitian Hu, Wei Zhang, Feng Feng, Zhiguo Zhang, Qi-Jun Zhang,
• Abstract要約: 本稿では,多状態チューニング駆動型可変フィルタの多物理最適化に共用電磁法(EM)に基づく粗いモデルを適用した高度空間マッピング(SM)手法を提案する。 SM法はEM単体シミュレーションの計算効率と多体シミュレーションの精度を組み合わせる。 提案する全体代理モデルには,複数のサブ代理モデルがあり,それぞれが1つの共有粗いモデルと2つの異なるマッピングニューラルネットワークで構成されている。
• 参考スコア（独自算出の注目度）: 5.134282941677413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article introduces an advanced space mapping (SM) technique that applies a shared electromagnetic (EM)-based coarse model for multistate tuning-driven multiphysics optimization of tunable filters. The SM method combines the computational efficiency of EM single-physics simulations with the precision of multiphysics simulations. The shared coarse model is based on EM single-physics responses corresponding to various nontunable design parameters values. Conversely, the fine model is implemented to delineate the behavior of multiphysics responses concerning both nontunable and tunable design parameter values. The proposed overall surrogate model comprises multiple subsurrogate models, each consisting of one shared coarse model and two distinct mapping neural networks. The responses from the shared coarse model in the EM single-physics filed offer a suitable approximation for the fine responses in the multiphysics filed, whereas the mapping neural networks facilitate transition from the EM single-physics field to the multiphysics field. Each subsurrogate model maintains consistent nontunable design parameter values but possesses unique tunable design parameter values. By developing multiple subsurrogate models, optimization can be simultaneously performed for each tuning state. Nontunable design parameter values are constrained by all tuning states, whereas tunable design parameter values are confined to their respective tuning states. This optimization technique simultaneously accounts for all the tuning states to fulfill the necessary multiple tuning state requirements. Multiple EM and multiphysics training samples are generated concurrently to develop the surrogate model. Compared with existing direct multiphysics parameterized modeling techniques, our proposed method achieves superior multiphysics modeling accuracy with fewer training samples and reduced computational costs.
• Abstract（参考訳）: 本稿では,多状態チューニング駆動型可変フィルタの多物理最適化に共用電磁法(EM)に基づく粗いモデルを適用した高度空間マッピング(SM)手法を提案する。 SM法はEM単体シミュレーションの計算効率と多体シミュレーションの精度を組み合わせる。 共有粗いモデルは、様々な不可変設計パラメータ値に対応するEM単一物理応答に基づく。 逆に、制御不能な設計パラメータ値と調整不能な設計パラメータ値の両方に関して、多物理応答の振舞いを記述するために、ファインモデルを実装した。 提案する全体代理モデルには,複数のサブ代理モデルがあり,それぞれが1つの共有粗いモデルと2つの異なるマッピングニューラルネットワークで構成されている。 EM単一物理分野における共有粗いモデルからの応答は多物理分野における微細な応答に対して適切な近似を与える一方、マッピングニューラルネットワークはEM単一物理分野から多物理分野への遷移を促進する。 各サブ代理モデルは、一貫した非可変な設計パラメータ値を保持するが、ユニークな調整可能な設計パラメータ値を持っている。 複数のサブ代理モデルを開発することにより、チューニング状態ごとに最適化を同時に行うことができる。 調整可能な設計パラメータ値は各チューニング状態に制限されるのに対し、調整可能な設計パラメータ値はそれぞれのチューニング状態に制限される。 この最適化手法は、必要な複数のチューニング状態を満たすために、すべてのチューニング状態を同時に説明します。 複数のEMおよびマルチ物理トレーニングサンプルを同時に生成し、サロゲートモデルを開発する。 提案手法は,既存の直接多物理パラメータ化モデリング手法と比較して,トレーニングサンプルの削減と計算コストの削減を図り,優れた多物理モデリング精度を実現する。

関連論文リスト

• Model Assembly Learning with Heterogeneous Layer Weight Merging [57.8462476398611]
  モデル統合のための新しいパラダイムであるモデルアセンブリ学習(MAL)を紹介する。 MALは、様々なモデルのパラメータをオープンエンドモデル動物園に統合し、ベースモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-03-27T16:21:53Z)
• Efficient and Effective Weight-Ensembling Mixture of Experts for Multi-Task Model Merging [111.8456671452411]
  マルチタスク学習(MTL)は、共有モデルを利用して複数のタスクを遂行し、知識伝達を促進する。 マルチタスクモデル統合のためのウェイトエンセブリング・ミックス・オブ・エキスパート(WEMoE)手法を提案する。 WEMoEとE-WEMoEは, MTL性能, 一般化, 堅牢性の観点から, 最先端(SOTA)モデルマージ法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-29T07:16:31Z)
• Bayesian Structural Model Updating with Multimodal Variational Autoencoder [2.4297252937957436]
  提案手法は,マルチモーダル変分オートエンコーダ(VAE)のサロゲート・ユニモーダルエンコーダを利用する。 様々な動的解析モデルに適用可能な高次元相関同時観測に特に適している。
  論文  参考訳（メタデータ） (2024-06-07T23:12:51Z)
• EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
  Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
  論文  参考訳（メタデータ） (2024-05-23T05:25:45Z)
• Majority Kernels: An Approach to Leverage Big Model Dynamics for Efficient Small Model Training [32.154166415680066]
  蒸留、圧縮、量子化といった手法は、高性能な大きなモデルを利用してより小さな性能のモデルを誘導するのに役立つ。 本稿では、単一トレーニングランが同時に、より大きなパフォーマンスモデルをトレーニングし、より小さなデプロイメントモデルを導出できるという仮説を考察する。
  論文  参考訳（メタデータ） (2024-02-07T17:07:41Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Active-Learning-Driven Surrogate Modeling for Efficient Simulation of Parametric Nonlinear Systems [0.0]
  支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。 我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。 カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-09T18:01:14Z)
• Vertical Layering of Quantized Neural Networks for Heterogeneous Inference [57.42762335081385]
  量子化モデル全体を1つのモデルにカプセル化するための,ニューラルネットワーク重みの新しい垂直層表現について検討する。 理論的には、1つのモデルのトレーニングとメンテナンスのみを必要としながら、オンデマンドサービスの正確なネットワークを達成できます。
  論文  参考訳（メタデータ） (2022-12-10T15:57:38Z)
• 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)
• Variational Autoencoder based Metamodeling for Multi-Objective Topology Optimization of Electrical Machines [0.0]
  本稿では,異なるパラメータの電気機械トポロジのキーパフォーマンス指標(KPI)を同時に予測する新しい手法を提案する。 トレーニング後、潜在空間を介して、デコーダと多層ニューラルネットワークは、それぞれ新しいデザインをサンプリングし、関連するトポロジを予測するメタモデルとして機能する。
  論文  参考訳（メタデータ） (2022-01-21T19:49:54Z)
• Multi-Objective Evolutionary Design of CompositeData-Driven Models [0.0]
  この手法はGPComp@Freeと呼ばれるモデル設計のためのパラメータフリーな遺伝的アルゴリズムに基づいている。 実験結果から, モデル設計に対する多目的アプローチにより, 得られたモデルの多様性と品質が向上することが確認された。
  論文  参考訳（メタデータ） (2021-03-01T20:45:24Z)

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。