MétaCan
Menu
Retour à la cohorte
Enregistrement W4296908555 · doi:10.1109/ap-s/usnc-ursi47032.2022.9886315

A Beam-Splitting Metasurface Designed by Optimization & Machine-Learning

2022· article· en· W4296908555 sur OpenAlexaff
Parinaz Naseri, Stewart Pearson, Sean V. Hum

Notice bibliographique

Revue2022 IEEE International Symposium on Antennas and Propagation and USNC-URSI Radio Science Meeting (AP-S/URSI) · 2022
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMetamaterials and Metasurfaces Applications
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésBeamwidthComputer scienceSet (abstract data type)InverseAntenna (radio)French hornBeam (structure)Horn antennaInverse scattering problemField (mathematics)Inverse problemScatteringDirectional antennaOpticsAcousticsPhysicsMathematicsTelecommunicationsSlot antenna

Résumé

récupéré en direct d'OpenAlex

Ideally, metasurface designers want to create a metasurface that satisfies given application-specific criteria, which can take the form of far-field criteria such as beamwidth, side lobe level, manufacturing constraints, etc. Designing the metasurface from this set of broad criteria is very challenging without the complete knowledge of the tangential fields. Moreover, determining the required unit cells to realize the required scattering often requires numerous iterative simulations. Here, the inverse design of a metasurface that splits the input wave from a horn antenna into two asymmetric beams is tackled using a combined end-to-end approach involving optimization and machine-learning. Experimental results of a prototype of the optimized metasurface are presented that corroborate the effectiveness of the inverse design 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 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)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,383
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0030,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,019
Tête enseignante GPT0,263
Écart entre enseignants0,245 · 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'étudeExpérimental (laboratoire)
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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 IEEE International Symposium on Antennas and Propagation and USNC-URSI Radio Science Meeting (AP-S/URSI)Même sujetMetamaterials and Metasurfaces ApplicationsTravaux en français237 207