Cost-Efficient Two-Level Modeling of Microwave Passives Using Feature-Based Surrogates and Domain Confinement
Notice bibliographique
Résumé
A variety of surrogate modeling techniques has been utilized in high-frequency design over the last two decades. Yet, the curse of dimensionality still poses a serious challenge in setting up reliable design-ready surrogates of modern microwave components. The difficulty of the modeling task is only aggravated by nonlinearity of circuit responses. Consequently, constructing a practically usable surrogate model, valid across extended ranges of material, geometry, and operational parameters, is far from easy. As a matter of fact, conventional modeling techniques are merely capable of building models for microwave structures featuring a relatively small number of designable parameters within reduced ranges thereof. One possible way of mitigating these obstacles may be the employment of the recently proposed two-stage performance-driven modeling approach. Therein, the surrogate model domain is narrowed down to the section of the space where the vectors of adequate quality are located, thereby permitting significantly reducing the cost of acquiring the training data. Seeking even further cost reduction, this work introduces a novel modeling framework, which exploits problem-specific knowledge extracted from the circuit responses to achieve substantial cost-savings of training data acquisition. In our methodology, the modeling procedure targets response features instead of the complete responses. The response features are the characteristic locations of the circuit response, such as relevant minima or maxima over selected frequency bands. The dependency of the coordinates of the said features on circuit dimensions is considerably less nonlinear than is observed for the complete characteristics, which enables sizable reduction of the data acquisition cost. Numerical validation of our procedure involving three microwave structures corroborates its remarkable efficiency, which allows for setting design-ready surrogates using only a handful of samples.
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 ».