Superior terahertz radiation detection through novel micro circular log-periodic antenna engineered with an advanced evolutionary neural network algorithm
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
In this work, we introduce a novel Micro Circular Log-Periodic Antenna (MCLPA) optimized with an advanced Evolutionary Neural Network (ENN) algorithm, specifically designed to enhance terahertz (THz) radiation detection. By leveraging the adaptive capabilities of the ENN framework, the antenna design efficiency is significantly improved, enabling rapid prototyping and yielding highly optimized structures tailored for practical THz applications. Extensive characterization confirms that the proposed MCLPA achieves outstanding performance, including an ultra-broad operational bandwidth of 372 GHz (0.135–0.507 THz), a peak gain of 5.51 dBi, an optimal S-parameter (S11) of −13.68 dB, and a maximum radiation efficiency of 82.39%. In addition, the MCLPA exhibits superior sensitivity, low noise susceptibility, and fast response, which are key attributes for reliable and precise THz detection. When configured in array form, the design further enhances gain and directional responsiveness, demonstrating the scalability and deployment potential of the MCLPA. This ENN-driven MCLPA represents a significant breakthrough in THz antenna engineering, introducing a transformative design paradigm that synergistically integrates algorithmic intelligence with structural innovation. By substantially reducing design time and cost while achieving exceptional performance, the proposed ENN framework sets a new benchmark for the development of next-generation THz detection and communication systems, offering broad implications for future high-frequency technologies.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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