Parallel Space-Mapping Based Yield-Driven EM Optimization Incorporating Trust Region Algorithm and Polynomial Chaos Expansion
Notice bibliographique
Résumé
Space mapping (SM) methodology has been recognized as a powerful tool for accelerating electromagnetic (EM)-based yield optimization. This paper proposes a novel parallel space-mapping based yield-driven EM optimization technique incorporating trust region algorithm and polynomial chaos expansion (PCE). In this technique, a novel trust region algorithm is proposed to increase the robustness of the SM surrogate in each iteration during yield optimization. The proposed algorithm updates the trust radius of each design parameter based on the effectiveness of minimizing the l <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">1</sub> objective function using the surrogate, thereby increasing the robustness of the SM surrogate. Moreover, for the first time, parallel computation method is incorporated into SM-based yield-driven design to accelerate the overall yield optimization process of microwave structures. The use of parallel computation allows the surrogate developed in the proposed technique to be valid in a larger neighborhood than that in standard SM, consequently increasing the speed of finding the optimal yield solution in SM-based yield-driven design. Lastly, the PCE approach is incorporated into the proposed technique to further speed up yield verification on the fine model. Compared with the standard SM-based yield optimization technique with sequential computation, the proposed technique achieves a higher yield increase with shorter CPU time by reducing the number of SM iterations. The proposed technique is illustrated by two microwave examples.
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 ».