TLM-based modeling and design exploiting space mapping
Notice bibliographique
Résumé
In this paper, we study the use of space-mapping (SM) techniques within the transmission-line matrix (TLM) method environment. Previous work on SM relies on an "idealized" coarse model in the design process of a computationally expensive fine model. For the first time, we examine the case when the coarse model is not capable of providing an ideal optimal response. We exploit a coarse-grid TLM solver with relaxed boundary conditions. Such a coarse model may be incapable of satisfying design specifications and traditional SM may fail. Our approach, which exploits implicit SM (ISM) and the novel output SM (OSM), overcomes this failure. Dielectric constant, an expedient preassigned parameter, is first calibrated to roughly align the coarse and fine TLM models. Our OSM scheme absorbs the remaining deviation between the "implicitly" mapped coarse-grid and fine-grid TLM responses. Because the TLM simulations are on a fixed grid, response interpolation is crucial. We also create a database system to avoid repeating simulations unnecessarily. Our optimization routine employs a trust region methodology. The TLM-based design of an inductive post, a single-resonator filter, and a six-section H-plane waveguide filter illustrate our approach. In a few iterations, our coarse-grid TLM surrogate, with approximate boundary conditions, achieves a good design of the fine-grid TLM model in spite of poor initial responses. Our results are verified with MEFiSTo simulations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».