Adaptively Weighted Yield-Driven EM Optimization Incorporating Neurotransfer Function Surrogate With Applications to Microwave Filters
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
In this article, we propose an adaptively weighted yield-driven EM optimization technique incorporating neurotransfer function (neuro-TF) surrogate. In the proposed technique, an adaptive weighting factor is set up for each frequency point of interest based on the degree to which the EM response may violate the design specification. These weighting factors are first incorporated into the error function for training the neuro-TF model and then involved in the objective function of yield optimization using the trained model. We identify the key frequency points where the EM response is likely to violate the design specification over the whole frequency range of interest. Using the adaptive weighting factor-incorporated error function to train the model enhances the model accuracy at the key frequency points while preserving the model accuracy at other ordinary frequency points. This improves the yield estimation accuracy using the trained surrogate model at each iteration of optimization and, consequently, facilitates the yield optimization process. By involving the weighting factors into the formulation of the objective function of neuro-TF-assisted yield optimization, higher priorities are given to the key frequency points than the ordinary frequency points. This allows the proposed technique to find a more effective update direction at each iteration of optimization and, consequently, achieves a similar yield increase with a fewer number of iterations compared with the conventional neuro-TF approach. Two microwave examples demonstrate the advantages of the proposed technique against other existing approaches, including the Monte Carlo (MC)-based approach, the polynomial chaos (PC)-based approach, and the conventional neuro-TF approach.
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 | 0,001 |
| 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 découle