Adaptively Weighted Yield-Driven EM Optimization Incorporating Neurotransfer Function Surrogate With Applications to Microwave Filters
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».