A Cross-Channel Parametric CNN Framework for Microwave Topology Modeling
Notice bibliographique
Résumé
Topology design has emerged as an efficient approach in the domain of electromagnetic (EM) design. Despite extensive research, accurately modeling high-performance topology structures remains a formidable challenge. This article proposes an advanced convolutional neural network (CNN) architecture, named cross-channel parametric small convolution network (CCP-SConvNet), tailored to microwave topology modeling. A CCP pooling mechanism combined with multiple small convolutional filters is developed to facilitate fine-grained spatial abstraction and adaptive interchannel information fusion. As a result, CCP-SConvNet improves predictive accuracy and robustness while reducing the overall parameter count compared to traditional CNNs. To ensure fabrication feasibility, a modified breadth-first search (BFS) algorithm is proposed to eliminate nonphysical structures such as suspended metal elements, thereby reducing the volume of training data required for model development. By integrating dynamic data generation with joint optimization strategies, the proposed framework further alleviates dependence on large datasets and accelerates the overall design process. CCP-SConvNet thus offers a rapid and cost-effective alternative to full-wave EM simulations, enabling efficient modeling and optimization of microwave topological components. The efficacy and robustness of the proposed CCP-SConvNet are validated through three representative cases: a single-pole waveguide filter operating at 11–13 GHz with a prediction error of 3.56%, a three-pole waveguide filter at 7.4–8.8GHz with an error of 2.82%, and a microstrip line filter at 1.2–2.8GHz with an error of 3.36%. The model reduces the required training data by up to 90% through the modified BFS strategy and accelerates EM simulation from minutes to milliseconds. The single-pole filter was fabricated and experimentally measured, exhibiting good agreement between the measured and predicted$S$-parameters. These results demonstrate the superior capability of CCP-SConvNet in accurate, efficient, and physically validated modeling of advanced microwave topological components.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».