Artificial Neural Networks for Power Match Modeling and Verification With a Novel <i>D</i>-Band Vector Load—Pull Bench
Notice bibliographique
Résumé
We present an artificial neural network (ANN) model that predicts high-frequency, large-signal hetero-junction bipolar transistor (HBT) performance as a function of the load reflection coefficient and input power trained on a set of load—pull (LP) data that include delivered source power, output power, power-added efficiency (PAE), gain compression, input voltage, and output current. The ANN models are trained with data measured using a novel <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$D$</tex-math> </inline-formula> -band vector LP test bench at 130, 135, and 140 GHz. We analyze common-base (CB) and common-emitter (CE) indium phosphide (InP) HBTs and show that the CE HBT provides the highest impedance margin that maximizes PAE across a 10% bandwidth centered at 140 GHz. We fabricate CE HBT power cells and demonstrate state-of-the-art measured performance (36.2% PAE at 135 GHz at 4-dB compressed gain and 13.6 dBm). Using the ANN model trained at 130 GHz, transfer learning is accomplished for 135 GHz, 140 GHz, and prematched device datasets. The size of the ANN training sets is varied from 25% to 1% of the data collected, showing that our models are capable of predicting performance with an average rms error below 1.5% across sets. To our knowledge, this is the first demonstration of transfer learning within ANNs for transistor nonlinear modeling.
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 ».