論文の概要: Alpha-RF: Automated RF-Filter-Circuit Design with Neural Simulator and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2603.00104v1
• Date: Wed, 18 Feb 2026 04:26:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.054445
• Title: Alpha-RF: Automated RF-Filter-Circuit Design with Neural Simulator and Reinforcement Learning
• Title（参考訳）: Alpha-RF:ニューラルシミュレータと強化学習によるRFフィルタ回路設計
• Authors: Nhat Tran, Chenjie Hao, Alexander Stameroff, Anh-Vu Pham, Yubei Chen,
• Abstract要約: ニューラルネットワークと強化学習を用いた自動RFフィルタ回路設計ツールを提案する。 この研究は、ニューラルネットワークシミュレータと強化学習を用いたRF回路設計におけるステップとなる。
• 参考スコア（独自算出の注目度）: 44.51228017174177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate, high-performance radio-frequency (RF) filter circuits are ubiquitous in radio-frequency communication and sensing systems for accepting and rejecting signals at desired frequencies. Conventional RF filter design process involves manual calculations of design parameters, followed by intuition-guided iterations to achieve the desired response for a set of filter specifications. This process is time-consuming due to time- and resource-intensive electromagnetic simulations using full-wave numerical PDE solvers. This process is also highly sensitive to domain expertise and requires many years of professional training. To address these bottlenecks, we propose an automatic RF filter circuit design tool using neural simulator and reinforcement learning. First, we train a neural simulator to replace the PDE electromagnetic simulator. The neural-network-based simulator reduces each of the simulation time from 4 minutes on average to less than 100 millisecond while maintaining a high precision. Such dramatic acceleration enable us to leverage deep reinforcement learning algorithm and train an amortized inference policy to perform automatic design in the imagined space from the neural simulator. The resulted automatic circuit-design agent achieves super-human design results. The automatic circuit-design agent also reduces the on-average design cycle from days to under a few seconds. Even more surprisingly, we demonstrate that the neural simulator can generalize to design spaces far from the training dataset and in a sense it has learned the underlying physics--Maxwell equations. We also demonstrate that the reinforcement learning has discovered many expert-like design intuitions. This work marks a step in using neural simulators and reinforcement learning in RF circuit design and the proposed method is generally applicable to many other design problems and domains in close affinity
• Abstract（参考訳）: 高精度で高性能なRFフィルタ回路は、所望の周波数で信号を受信・拒否する無線通信・センシングシステムにおいてユビキタスである。 従来のRFフィルタ設計プロセスでは、設計パラメータを手動で計算し、その後、一連のフィルタ仕様に対して望ましい応答を達成するために直観誘導反復を行う。 このプロセスは、フルウェーブ数値PDEソルバを用いた時間および資源集約電磁シミュレーションにより、時間を要する。 このプロセスはドメインの専門知識に非常に敏感で、長年の専門的なトレーニングを必要とする。 これらのボトルネックに対処するために,ニューラルシミュレータと強化学習を用いた自動RFフィルタ回路設計ツールを提案する。 まず、PDE電磁シミュレータの代わりにニューラルネットワークシミュレータを訓練する。 ニューラルネットワークベースのシミュレータは、シミュレーション時間を平均4分から100ミリ秒未満に短縮し、高精度を維持している。 このような劇的な加速により、深い強化学習アルゴリズムを利用して、ニューラルネットワークから想像空間における自動設計を行うために、償却推論ポリシーを訓練することができる。 得られた自動回路設計剤は、超人的設計結果を達成する。 自動回路設計剤は、平均設計サイクルを数日から数秒未満に短縮する。 さらに驚くべきことに、ニューラルネットワークはトレーニングデータセットから遠く離れた空間を設計できるように一般化することができ、基礎となる物理学、マクスウェル方程式を学習した。 また、強化学習によって多くの専門家的な設計直観が発見されていることも示している。 本研究は、RF回路設計におけるニューラルネットワークと強化学習のステップであり、提案手法は他の多くの設計問題や近接親和性領域に適用可能である。

関連論文リスト

• Neural surrogates for designing gravitational wave detectors [21.601009915564344]
  ニューラルサロゲートモデルが従来のCPUベースのシミュレータへの依存を著しく低減することを示す。 LIGO コミュニティが開発した重力波物理シミュレータ Finesse を代用するニューラルネットワークを訓練する。 我々のアルゴリズムは、サロゲートのトレーニング、新しい実験の逆設計、さらに訓練のために遅いシミュレータでそれらの特性を検証する間をループする。
  論文  参考訳（メタデータ） (2025-11-24T17:58:59Z)
• DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
  本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。 リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。 ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
  論文  参考訳（メタデータ） (2025-07-03T17:35:06Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Deep Learning for Low-Latency, Quantum-Ready RF Sensing [2.478795575797574]
  近年の研究では、無線周波数(RF)信号のソフトウェア処理を強化するためにディープラーニングを適用することが期待されている。 本稿では,RF信号分類のための量子可読機械学習手法の実装について述べる。
  論文  参考訳（メタデータ） (2024-04-27T17:22:12Z)
• Addressing the speed-accuracy simulation trade-off for adaptive spiking neurons [0.0]
  本稿では,適応統合火災モデル(ALIF)をアルゴリズム的に再解釈する。 合成ベンチマークで小さなDTを用いて50ドル以上のトレーニングスピードアップを得る。 また、我々のモデルが皮質ニューロンの電気生理学的記録を迅速かつ正確に適合させる方法についても紹介する。
  論文  参考訳（メタデータ） (2023-11-19T18:21:45Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• 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)
• Reservoir-Based Distributed Machine Learning for Edge Operation [0.6451914896767135]
  スマートセンサを組み込んだ機械学習アルゴリズムの現場学習のための新しい設計を紹介します。 無線周波数(RF)スペクトルセンサを用いた分散トレーニングシナリオについて述べる。
  論文  参考訳（メタデータ） (2021-04-01T20:06:40Z)

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。