Optimization for next generation laptops enhancing performance and compactness
Notice bibliographique
Résumé
This paper presents a computational intelligence-optimized multiband MIMO antenna for next-generation laptops, addressing the demand for compact, high-performance, and multiband wireless connectivity. The proposed 4-port MIMO configuration, with an overall footprint of 94.1 × 28.29 × 0.8 mm 3 , is optimized for seamless integration along the laptop’s top edge, where minimal width is crucial. It supports operation at 2.45 GHz, 5 GHz, and 6 GHz, enabling compatibility with dual and tri-band Wi-Fi 6E routers. To accelerate the design process and reduce manual iteration, machine learning (ML) algorithms including AdaBoost, SVM, CatBoost, and Decision Trees were employed. A simulation dataset was generated in CST studio by systematically varying critical antenna parameters. This dataset was used to train the ML models, enabling them to learn the nonlinear relationships between geometry and performance metrics such as S-parameters, gain, efficiency, envelope correlation coefficient (ECC), diversity gain. Upon training, the models predicted optimal design parameters for desired performance goals. The resulting antenna exhibited isolation greater than 16 dB, ECC below 0.08, and a measured realized gains of 0.73, 2.1, and 3 dBi across the operating bands. In addition, the channel capacity loss remained under 0.35 bits/s/Hz, confirming strong MIMO performance. This work highlights that incorporating computational intelligence into antenna design not only expedites the development process but also improves system efficiency, providing a scalable and intelligent solution for next-generation multifunctional, high-speed laptop platforms.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,003 | 0,001 |
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 ».