Space Mapping Technique Using Decomposed Mappings for GaN HEMT Modeling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A novel space mapping (SM) modeling approach for gallium nitride (GaN) high-electron-mobility transistors (HEMTs) with trapping effects is presented in this article, advancing the SM technique for nonlinear device modeling. Existing SM modeling approach uses an external mapping to map an existing device model onto device data. When different branches inside the existing device model need to address very different behaviors, such as trapping effects and frequency dispersion in GaN HEMTs, it is hard for one external mapping to simultaneously map different behaviors. The proposed SM technique develops separate mappings for different branches, such that different behaviors can be mapped separately. Each mapping module is formulated to map a specific behavior in the overall model. Each mapping module is developed through machine learning to systematically overcome the gap between each internal branch and each set of target data, accelerating the process of model development. The proposed SM technique is a fast and systematic modeling approach, compared with the existing empirical function/equivalent circuit approach. Compared with the pure neural network modeling approach, the proposed SM technique employs less training data. Measurement data of a 2 × 350 μm GaN HEMT device are employed for model training and verification. Good agreement can be achieved between the developed large-signal model and the measurement data, including dc, pulsed I-V (PIV) at seven quiescent biases, S-parameters, and power characteristics. Reasonably close predictions of load- pull figures of merit are achieved by the developed model. The model development illustrated in the example shows that the proposed SM technique is a fast modeling approach to develop an accurate large-signal model for GaN HEMTs.
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.
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 découle