論文の概要: Electromagnetic Simulations of Antennas on GPUs for Machine Learning Applications

• arxiv url: http://arxiv.org/abs/2508.10713v1
• Date: Thu, 14 Aug 2025 14:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.368518
• Title: Electromagnetic Simulations of Antennas on GPUs for Machine Learning Applications
• Title（参考訳）: 機械学習応用のためのGPU上のアンテナの電磁シミュレーション
• Authors: Murat Temiz, Vemund Bakken,
• Abstract要約: 本研究では,アンテナ設計と最適化の機械学習応用のためのグラフィックス処理ユニット(GPU)を利用したアンテナシミュレーションフレームワークを提案する。 シミュレーション結果と商用電磁(EM)シミュレーションソフトウェアを用いて得られたシミュレーション結果を比較する。
• 参考スコア（独自算出の注目度）: 0.9821874476902969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study proposes an antenna simulation framework powered by graphics processing units (GPUs) based on an open-source electromagnetic (EM) simulation software (gprMax) for machine learning applications of antenna design and optimization. Furthermore, it compares the simulation results with those obtained through commercial EM software. The proposed software framework for machine learning and surrogate model applications will produce antenna data sets consisting of a large number of antenna simulation results using GPUs. Although machine learning methods can attain the optimum solutions for many problems, they are known to be data-hungry and require a great deal of samples for the training stage of the algorithms. However, producing a sufficient number of training samples in EM applications within a limited time is challenging due to the high computational complexity of EM simulations. Therefore, GPUs are utilized in this study to simulate a large number of antennas with predefined or random antenna shape parameters to produce data sets. Moreover, this study also compares various machine learning and deep learning models in terms of antenna parameter estimation performance. This study demonstrates that an entry-level GPU substantially outperforms a high-end CPU in terms of computational performance, while a high-end gaming GPU can achieve around 18 times more computational performance compared to a high-end CPU. Moreover, it is shown that the open-source EM simulation software can deliver similar results to those obtained via commercial software in the simulation of microstrip antennas when the spatial resolution of the simulations is sufficiently fine.
• Abstract（参考訳）: 本研究では,アンテナ設計と最適化の機械学習応用を目的とした,オープンソースの電磁シミュレーションソフトウェア(gprMax)をベースとしたグラフィックス処理ユニット(GPU)を利用したアンテナシミュレーションフレームワークを提案する。 さらに、シミュレーション結果と商用EMソフトウェアによるシミュレーション結果を比較する。 機械学習およびサロゲートモデル応用のためのソフトウェアフレームワークは、GPUを用いて多数のアンテナシミュレーション結果からなるアンテナデータセットを生成する。 機械学習の手法は多くの問題に対して最適な解が得られるが、それらはデータハングリーであることが知られており、アルゴリズムの訓練段階に大量のサンプルを必要とする。 しかし、EMシミュレーションの計算量が多いため、限られた時間でEMアプリケーションで十分な数のトレーニングサンプルを生成することは困難である。 そこで本研究では,GPUを用いて多数のアンテナを予め定義された,あるいはランダムなアンテナ形状パラメータでシミュレートし,データセットを生成する。 さらに,アンテナパラメータ推定性能の観点から,各種機械学習モデルと深層学習モデルを比較した。 本研究では、エントリーレベルのGPUが計算性能において、ハイエンドのCPUを大幅に上回っているのに対し、ハイエンドのGPUはハイエンドのCPUに比べて約18倍の計算性能を達成できることを示した。 また,オープンソースEMシミュレーションソフトウェアは,シミュレーションの空間分解能が十分に良好である場合,マイクロストリップアンテナのシミュレーションにおいて,商用ソフトウェアで得られたものと同様の結果が得られることを示した。

関連論文リスト

• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• TANQ-Sim: Tensorcore Accelerated Noisy Quantum System Simulation via QIR on Perlmutter HPC [16.27167995786167]
  TANQ-Simは、コヒーレントノイズと非コヒーレントノイズの両方で実用的なディープ回路をシミュレートするために設計された、フルスケールの密度行列ベースのシミュレータである。 このようなシミュレーションにかかわる計算コストに対処するため,新しい密度行列シミュレーション手法を提案する。 また,その性能を最適化するために,密度行列シミュレーションのための特定のゲート融合手法を提案する。
  論文  参考訳（メタデータ） (2024-04-19T21:16:29Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Lamarr: LHCb ultra-fast simulation based on machine learning models deployed within Gauss [0.0]
  LHCb実験における検出器応答と再構成アルゴリズムの両方をパラメータ化するシミュレーション生成を高速化するフレームワークであるLamarrについて論じる。 複数のアルゴリズムと戦略を駆使した深部生成モデルを用いて、LHCb検出器の単一成分の高レベル応答を効果的にパラメータ化する。
  論文  参考訳（メタデータ） (2023-03-20T20:18:04Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Using Machine Learning at Scale in HPC Simulations with SmartSim: An Application to Ocean Climate Modeling [52.77024349608834]
  We demonstrate the first climate-scale, numerical ocean Simulations improve through distributed, online inference of Deep Neural Networks (DNN) using SmartSim。 SmartSimは、従来のHPCシミュレーションのためのオンライン分析と機械学習(ML)を可能にするためのライブラリです。
  論文  参考訳（メタデータ） (2021-04-13T19:27:28Z)
• Large Batch Simulation for Deep Reinforcement Learning [101.01408262583378]
  我々は,視覚複雑な3次元環境における深層強化学習に基づく学習を,事前作業よりも2桁高速化する。 単一のGPUマシンで1秒間に19,000フレーム以上の経験と最大72,000フレーム/秒のエンドツーエンドのトレーニング速度を実現します。 バッチシミュレーションと性能最適化を組み合わせることで、1つのGPU上の複雑な3D環境において、従来の最先端システムでトレーニングされたエージェントの精度の97%から97%まで、ポイントナビゲーションエージェントをトレーニングできることを実証する。
  論文  参考訳（メタデータ） (2021-03-12T00:22:50Z)
• 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。