MétaCan
Menu
Retour à la cohorte
Enregistrement W3098885262 · doi:10.48550/arxiv.2011.09016

Optimization of Scalar and Bianisotropic Electromagnetic Metasurface Parameters Satisfying Far-Field Criteria

2020· preprint· en· W3098885262 sur OpenAlexaff
Stewart Pearson, Sean V. Hum

Notice bibliographique

RevuearXiv (Cornell University) · 2020
Typepreprint
Langueen
DomaineEngineering
ThématiqueAdvanced Antenna and Metasurface Technologies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésSurface (topology)Electromagnetic fieldField (mathematics)Near and far fieldBeamformingScalar fieldMathematicsMathematical analysisTopology (electrical circuits)Computer sciencePhysicsGeometryOpticsClassical mechanics

Résumé

récupéré en direct d'OpenAlex

Electromagnetic metasurfaces offer the capability to realize almost arbitrary power conserving field transformations. These field transformations are governed by the generalized sheet transition conditions, which relate the tangential fields on each side of the surface through the surface parameters. Ideally, engineers would like to determine the surface parameters for transformations based on their application-specific far-field criteria. However, determining the surface parameters to satisfy these criteria is challenging without direct knowledge of the tangential fields on one side of the surface, which are not unique for a given far field pattern. As a result, current design is restricted to analytical examples where the tangential fields are solvable or other ad hoc methods. This paper presents a convex optimization-based scheme which determines surface parameters, such as surface impedance, admittance, and magneto-electric coupling, which satisfy far-field constraints such as beam magnitude, side lobe level, and null locations. The optimization is performed on a model constructed using the method of moments. This model incorporates edge effects and mutual coupling. The resulting non-convexity from this model is relaxed using the alternating direction method of multipliers. Examples of this optimization scheme performing multi-criteria pattern forming, extreme angle small surface refraction, and Chebyshev beamforming are presented.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,375
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,188
Écart entre enseignants0,136 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuearXiv (Cornell University)Même sujetAdvanced Antenna and Metasurface TechnologiesTravaux en français237 207