A Combined Machine-Learning/Optimization-Based Approach for Inverse Design of Nonuniform Bianisotropic Metasurfaces
Notice bibliographique
Résumé
Electromagnetic metasurface (EMMS) design based on far-field (FF) constraints without the complete knowledge of the fields on both sides of the metasurface is typically a time-consuming and iterative process, which relies heavily on heuristics and <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">ad hoc</i> methods. This article proposes an end-to-end systematic and efficient approach where the designer inputs high-level FF constraints, such as nulls, sidelobe levels, and main beam level(s), and a three-layer nonuniform passive, lossless, and omega-type bianisotropic EMMS design to satisfy them is returned. The surface parameters to realize the FF criteria are found using the alternating direction method of multipliers on a homogenized model derived from the method of moments (MoM). This model incorporates edge effects of the finite surface and intercell mutual coupling in the inhomogeneous impedance sheet. Optimization through the physical unit cell space integrated with machine-learning-based surrogate models is used to realize the desired surface parameters from physical meta-atom (or unit cell) designs. Two passive lossless examples with different feeding systems and FF constraints are shown to demonstrate the effectiveness of this method.
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 ».