Electromagnetic characteristic estimation on spiral antennas through AOI, ML, and AI
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
Abstract In this study, a method that is able to estimate the electromagnetic characteristic of spiral antennas was proposed and realized through consecutive procedures of automatic optical inspection (AOI), machine learning (ML), and artificial intelligence (AI), providing a solution to smart manufacturing. Two-arm self-complementary Archimedean spiral antennas (SCASAs) were introduced as examination targets with pattern distortions from potential process variations, in which bulges and neckings were mathematically generated to imitate uncontrollable ink rheology in printed and flexible electronics, covering the unexplored parts in previous works. The SCASAs in the training group were fabricated by standard printed circuit board procedures, and their pattern integrity in terms of line edge roughness (LER) and coupling frequency were collected through AOI for ML as the feature and label, respectively. The established AI model was based on Gaussian process regression with covariance function of exponential that showed the smallest root-mean-square-error and the largest coefficient of determination through iterative lazy-learning. By feeding the LERs of the SCASAs into the testing group, their corresponding coupling frequencies were estimated by the established AI model with high confidence level. Good linearity between the estimated and measured responses indicated that a reliable AI model and procedure were built, which outperforms existing methods that are unable to project off-line active characteristics of microelectronic components from their in-line pattern integrities.
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 | 0,001 |
| 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