論文の概要: Deep-Learning-Based Pixelated Microwave Filter Design and Characterization using Electro-Optical Electric-Field Measurements

• arxiv url: http://arxiv.org/abs/2606.18402v1
• Date: Tue, 16 Jun 2026 18:51:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.855343
• Title: Deep-Learning-Based Pixelated Microwave Filter Design and Characterization using Electro-Optical Electric-Field Measurements
• Title（参考訳）: ディープラーニングに基づく偏光マイクロ波フィルタの設計と電気電界計測による評価
• Authors: Han Zhou, Richard Bannister, Caspar Pierce, Haojie Chang, David Widen, Ludvig Fornstedt, Gabriel Melin, Alexander Bohlin, Pontus Lindeberg Fredriksson, Dilbagh Singh, Christian Fager, Koen Buisman,
• Abstract要約: 本研究では,畳み込みニューラルネットワークと遺伝的アルゴリズムを組み合わせた深層学習手法を用いて,電子レンジフィルタの自動合成を行う。 合成した低域通過フィルタは、シミュレーションと測定性能の良好な一致を示し、9.5GHzを超える20dBの抑制で7GHzのパスバンドを実現した。
• 参考スコア（独自算出の注目度）: 36.35963144485465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional microwave filter design typically relies on iterative parameter tuning and predefined topologies, which limits design space and increases development time. This study uses a deep learning approach combining convolutional neural networks with genetic algorithms to automate pixelated microwave filter synthesis. To validate the approach experimentally, both S-parameter and spatial electric-field measurements were analyzed. The synthesized low-pass filter demonstrated excellent agreement between simulated and measured performance, achieving a 7 GHz passband with over 20 dB suppression beyond 9.5 GHz. Electro-optical measurements, for the first time, revealed electric field patterns that resemble coupled transmission-lines or stub structures, providing insight into the emergent characteristics of AI-generated designs.
• Abstract（参考訳）: 従来のマイクロ波フィルタの設計は、通常、反復的なパラメータチューニングと事前定義されたトポロジーに依存し、設計空間を制限し、開発時間を増加させる。 本研究では,畳み込みニューラルネットワークと遺伝的アルゴリズムを組み合わせた深層学習手法を用いて,電子レンジフィルタの自動合成を行う。 提案手法を実験的に検証するため,Sパラメータと空間電界測定の両方を解析した。 合成した低域通過フィルタはシミュレートと測定性能に優れた一致を示し、9.5GHzを超える20dB抑制の7GHzパスバンドを実現した。 電気光学測定により、伝送線路やスタブ構造に類似した電界パターンが初めて明らかにされ、AIが生成した設計の創発的特性に関する洞察が得られた。

関連論文リスト

• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• Diffusion-Based Electromagnetic Inverse Design of Scattering Structured Media [0.0]
  電磁的逆設計のための条件拡散モデルは、ターゲットの微分散乱断面積プロファイルから直接構造化メディアジオメトリを生成する。 11,000個の模擬準曲面で訓練されたモデルでは、観測対象の中央値が19%以下となる。
  論文  参考訳（メタデータ） (2025-11-07T15:48:50Z)
• 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)
• STEM Diffraction Pattern Analysis with Deep Learning Networks [0.0]
  本研究は、走査型透過電子顕微鏡(STEM)回折パターン(DP)から直接オイラー角を予測する機械学習に基づくアプローチを提案する。 これは高解像度結晶配向マップの自動生成を可能にし、ナノスケール内部の微細構造の解析を容易にする。 3つのディープラーニングアーキテクチャ – 畳み込みニューラルネットワーク(CNN)、Dense Convolutional Networks(DenseNets)、Shifted Windows(Swin) Transformers – は、商用TMアルゴリズムによってラベル付けされた実験的に取得されたデータセットを使用して評価される。
  論文  参考訳（メタデータ） (2025-07-02T16:58:09Z)
• AI-Powered Inverse Design of Ku-Band SIW Resonant Structures by Iterative Residual Correction Network [0.0]
  マルチモードSIWフィルタの逆設計のために,ディープラーニングに基づくフレームワークを開発し,検証した。 一連のSIWフィルタが設計され、製造され、実験的に評価された。 提案フレームワークは、複雑なマイクロ波フィルタの堅牢で、正確で、一般化可能な逆設計を可能にする能力を示す。
  論文  参考訳（メタデータ） (2025-05-11T10:51:43Z)
• 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)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• A deep learning approach for inverse design of the metasurface for dual-polarized waves [1.1254693939127909]
  機械学習に基づく手法は、最近メタ曲面の逆実現のための刺激的なプラットフォームを作成した。 本稿では,TE波とTM波の両方に対して,超広帯域の動作周波数帯における出力単位セル構造の生成にDeep Neural Network(DNN)を用いた。
  論文  参考訳（メタデータ） (2021-05-12T17:15:31Z)
• Radiation pattern prediction for Metasurfaces: A Neural Network based approach [7.425034008715922]
  本稿では,MSF応答の高速かつ高精度な評価を可能にするニューラルネットワークに基づく新しい手法を提案する。 上記の結果と方法論は、6Gネットワーク環境にデプロイされる数千のRISの設計、フォールトトレランス、メンテナンスにおいて特に重要である。
  論文  参考訳（メタデータ） (2020-07-15T23:33:43Z)

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。