論文の概要: Inverse Design of Multi-Layer Sub-Pixel-Resolution RF Passives Through Grayscale Diffusion with Flexible S-Parameter Conditioning

• arxiv url: http://arxiv.org/abs/2605.08233v1
• Date: Wed, 06 May 2026 23:25:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.482741
• Title: Inverse Design of Multi-Layer Sub-Pixel-Resolution RF Passives Through Grayscale Diffusion with Flexible S-Parameter Conditioning
• Title（参考訳）: フレキシブルSパラメータ条件付きグレースケール拡散による多層サブPixel-Resolution RFパッシブの逆設計
• Abstract要約: 本稿では,サブピクセルグレースケールのメタライゼーションを1-20GHzで実現し,基板上の部分的なSパラメータ入力から受動成分を生成する逆設計手法を提案する。 このフレームワークは、ランゲヴィン・プロジェクションを通じて実施されるフィード位置の厳しい物理的制約を伴って、2層銅配置を生成する。 RO4003C 上の2つの設計手法を用いて,結合ギャップが製造規則に反するヘアピンフィルタと,ターゲット S- パラメータのみをスクラッチから設計したコムラインバンドパスフィルタの2つの設計手法を検証した。
• 参考スコア（独自算出の注目度）: 3.770788646385548
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inverse design of RF passive components from S-parameters is a high-dimensional, ill-posed problem, and prior generative approaches are limited to single-layer binary-metallization structures. This paper presents an inverse design approach that generates passive components from partial S-parameter inputs on an $8\times8$ mm board discretized at $64\times64$ pixels with sub-pixel grayscale metallization across 1-20 GHz. The framework generates two-layer copper layouts with vias, with hard physical constraints on feed locations enforced through annealed Langevin projection, flexible multi-modal conditioning on partial S-parameter specifications, port locations, dielectric properties, reference topology, and variable port placement. Candidate designs are generated in seconds, with surrogate-predicted S-parameters matching targets to within $0.77 \pm 1.28$ dB weighted mean absolute error. We validate the approach with two fabricated designs on RO4003C: a manufacturable alternative to a hairpin filter whose coupling gaps violate fabrication rules, and a combline bandpass filter designed from scratch given only target S-parameters.
• Abstract（参考訳）: SパラメータからのRF受動的成分の逆設計は、高次元かつ不適切な問題であり、以前の生成的アプローチは単層二層金属化構造に限られる。 本稿では,サブピクセルのグレースケールメタライゼーションを1-20GHzで行うことで,Sパラメータの部分入力から6.4\times8$ mmで離散化されたSパラメータ入力から受動成分を生成する逆設計手法を提案する。 このフレームワークは、アニールされたランゲヴィンプロジェクション、部分的なSパラメータ仕様、ポート位置、誘電特性、参照トポロジー、可変ポート配置の柔軟なマルチモーダルコンディショニングにより、フィード位置の厳しい物理的制約を伴って、2層銅配置を生成する。 候補は数秒で生成され、サロゲート予測Sパラメータは0.77 \pm 1.28$dBの重み付き平均絶対誤差に一致する。 RO4003Cにおける2つの設計手法として, 結合ギャップが製造規則に反するヘアピンフィルタと, ターゲットSパラメータのみをスクラッチから設計したコムラインバンドパスフィルタの2つの手法を検証した。

関連論文リスト

• Symmetry-Projected Weakly Compatible Multiparameter Quantum Sensing [0.0]
  位相生成器をサブスペース保存およびサブスペース変更セクターに分類する対称性投影フレームワークを開発する。 対称部分空間に制限されたプローブ状態に対して、対称性投射はQFIMとUCMに共通のブロック対角構造を課し、情報クロストークと測定の不整合性から同時にクロスセクタパラメータを描画する。
  論文  参考訳（メタデータ） (2026-08-03T07:42:33Z)
• SPDCN: Strip-based Deformable Convolutional Network for Steel Surface Defect Segmentation [8.936780165911612]
  変形性畳み込みネットワーク(SPDCN)のためのストリップベース予測器 textbfFuzzy-enhanced Multi-scale Context Module (FMCM) textbf Direction-Aware Deformable Convolution (ADADC)
  論文  参考訳（メタデータ） (2026-07-23T15:59:10Z)
• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• Diffusion Image Generation with Explicit Modeling of Data Manifold Geometry [64.61931485161833]
  画像生成モデルは、基礎となるデータ多様体からデータポイントをサンプリングすることを目的としている。 データマニフォールド対応画像差分法(MIND)を提案する。 MINDは離散パッチトークン化を連続拡散モデルのスコア関数に統合する。
  論文  参考訳（メタデータ） (2026-05-25T08:43:14Z)
• Engineered broadband Purcell protection using a shared $Π$-filter for multiplexed superconducting qubits [0.0]
  フィードラインに直接統合された単一共有フィルタに基づくブロードバンドパーセル保護方式を提案する。 フィルタは、インライン伝送線路で接続された2つのオープンエンドスタブから構成され、$$$ジオメトリを形成する。 この結果は超伝導量子回路におけるブロードバンドインピーダンス工学のためのコンパクトでスケーラブルな解として$$$-filterを確立した。
  論文  参考訳（メタデータ） (2026-04-20T15:12:53Z)
• High-fidelity, quasi-deterministic entanglement generation using phase-matched spectral islands in a zero-added-loss multiplexing architecture [0.0]
  自然パラメトリックダウンコンバータ(SPDC)は、量子インターネット上での絡み合いを分散するための最も有効な絡み合い源である。 本稿では, スペクトル多重化手法を提案する。
  論文  参考訳（メタデータ） (2025-07-19T01:07:42Z)
• Accelerating RF Power Amplifier Design via Intelligent Sampling and ML-Based Parameter Tuning [0.0]
  本稿では,RFパワーアンプ設計のための機械学習高速化最適化フレームワークを提案する。 これは、ほとんどのモードでpm0.4$ dBmの精度を維持しながら、シミュレーション要求を65%削減する。 統合されたソリューションは、GUIベースの自動イテレーションによるシミュレーション時間を58.24%から77.78%削減する。
  論文  参考訳（メタデータ） (2025-07-16T05:52:24Z)
• Kernel-Adaptive PI-ELMs for Forward and Inverse Problems in PDEs with Sharp Gradients [0.0]
  本稿では,KAPI-ELM(Kernel Adaptive Physics-Informed Extreme Learning Machine)を紹介する。 局所的急勾配を含む前方および逆部分微分方程式(PDE)の問題を解くように設計されている。 KAPI-ELMは、フォワード設定と逆設定の両方で最先端の精度を達成する。
  論文  参考訳（メタデータ） (2025-07-14T13:03:53Z)
• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Improved Communication-Privacy Trade-offs in $L_2$ Mean Estimation under Streaming Differential Privacy [47.997934291881414]
  既存の平均推定スキームは、通常、$L_infty$幾何に最適化され、ランダムな回転や、$L$幾何に適応するカシンの表現に依存する。 本稿では,スパシフィケーションに固有のランダム性をDPに組み込んだ,スパシフィケーションガウシアン機構の新たなプライバシ会計手法を提案する。 従来の手法とは異なり、我々の会計アルゴリズムは直接$L$幾何で動作し、ガウスの機構に迅速に収束するMSEが得られる。
  論文  参考訳（メタデータ） (2024-05-02T03:48:47Z)
• Parameter Efficient Fine-tuning via Cross Block Orchestration for Segment Anything Model [81.55141188169621]
  PEFTにクロスブロックオーケストレーション機構を組み、SAM(Segment Anything Model)の様々な下流シナリオへの適応を可能にする。 本稿では,超複素層から重みが生じる線形射影ヘッドを導入するブロック内拡張モジュールを提案する。 提案手法は,約1Kのパラメータのみを付加した新規シナリオにおいて,セグメンテーション性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-11-28T11:23:34Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)

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。