Performance comparison of TLM, FDTD and Haar wavelet MRTD algorithms for electromagnetic simulations
Notice bibliographique
Résumé
The performance in computation time, computer memory and computation accuracy of the TLM, FDTD, 0-0rder and 1st-Order Haar wavelet MR.TD algorithms have been tested. The results show: (1) The FDTD algorithm is about 1.25 times as fast as TLM. The CPU runtimes for the 0- and 1st-Order MR.TD are almost the same as that of FDTD although much less time steps are required in the 0- and 1st-Order MRTD for the same time duration. The CPU runtimes linearly vary with the time step. Thus the CPU runtime of each algorithm is mainly determined by the number of variables that must be retrieved from, and stored in memory at each time step; (2) Because of the numerical comparison and memory reallocation in each time step, thresholding greatly increases computing load; (3) The 1st-Order Haar wavelet MRTD can save much more memory. The optimal relative threshold fraction is about 0.01 % and large memory savings are attainable while maintaining reasonable accuracy. But the CPU runtimes are too long for the 0-0rder and 1st-Order MRTD with thresholding technique. Thus the tradeoff between computational efficiency and memory saving should be taken into consideration. An optimum procedure and well-designed data structures are necessary to ensure that memory requirements are kept at a minimum while maintaining computational efficiency at the same time.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».