Far-Field-Based Nonlinear Optimization of Millimeter-Wave Active Antenna for 5G Services
Notice bibliographique
Résumé
This paper presents the design and characterization of millimeter-wave (28/38 GHz), circularly polarized (CP) active antennas, suitable for future 5G services. By augmenting the modeling capabilities of commercially available nonlinear CAD tools, the active antenna design can simultaneously optimize figures of merits for both radiation and nonlinear (NL) performance. The radiating part is computed and optimized layoutwise by means of an artificial neural network (ANN), suitably trained off-line. For the NL design purpose, the harmonic neural network (HNN) of the antenna is subsequently implemented as a standard circuit component, to include the antenna behavior at all the harmonics of its NL regime. This allows avoiding time-consuming electromagnetic (EM)-simulations in the harmonic balance optimization loop. In this way, a welldefined interface between the antenna and the amplifier can be avoided. To demonstrate the effectiveness of the design approach, one active integrated antenna (AIA), consisting of a class AB amplifier feeding a CP patch at 38 GHz, has been fabricated with the standard 0.1-μm AlGaAs-InGaAs pHEMT technology and extensively measured with respect to both the electrical and radiation performances. To reduce fabrication costs, hybrid integration of the antenna and amplifier connection is used, and the antenna is incorporated into the main PCB.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».