Automated Neural Network-Based Multiphysics Parametric Modeling of Microwave Components
Notice bibliographique
Résumé
This paper proposes a novel technique for automated neural network based multiphysics parametric modeling of microwave components. For the first time, we propose to utilize automated model generation (AMG) algorithm in the field of electromagnetic (EM) centric multiphysics parametric model development to improve the neural-based multiphysics modeling efficiency. All the subtasks in developing a neural network based multiphysics parametric model, including EM centric multiphysics data generation, neural network structure adaptation, training and testing, are integrated into one unified and automated framework, thus converting the conventional human-based manual modeling into an automated computational process. In the proposed algorithm, automated EM centric multiphysics data generation is realized by automatic driving of multiphysics simulation tools. Parallel computation technique is incorporated to further speedup the data generation process by driving multiple EM centric multiphysics simulations on parallel computers simultaneously. In addition, automated neural model structure adaptation algorithm for multiphysics parametric modeling is also proposed. In this way, the proposed technique automates the neural-based multiphysics model development process and significantly reduces the intensive human effort and modeling time demanded by the conventional manual multiphysics modeling methods. The achieved neural model can be used to provide accurate and fast prediction of the EM centric multiphysics responses of microwave components in high-level multiphysics design. Examples of multiphysics parametric modeling of two microwave filters are presented to show the advantage of this work.
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 | 0,001 |
| 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 ».