Efficient Reduced-Order Electromagnetic Optimization via Augmented Lagrangian and Newton Method
Notice bibliographique
Résumé
Traditional electromagnetic (EM) design optimization often relies on high-fidelity simulations and external optimization algorithms, resulting in excessive runtime and substantial memory consumption. Simulation-inserted optimization (SIO) methods, such as complex Newton’s SIO (CNSIO), integrate optimization directly within the EM simulation loop, alleviating the computational and memory overhead of conventional closed-box approaches. However, CNSIO still requires full-order EM model evaluations at each iteration, which limits its scalability for large-scale, multiparameter problems. This article proposes the reduced-structure augmented Lagrangian with complex Newton (RSAL-CN) method, which integrates model order reduction (MOR) that preserves the essential EM characteristics, augmented Lagrangian method (ALM), and CNSIO. The second-order Arnoldi method for passive order reduction (SAPOR) is used for model reduction, while ALM internally couples EM simulation with constraint handling. New formulations based on CNSIO avoid repeated Hessian factorizations and accelerate convergence. Optimization is performed directly on reduced-order EM models, significantly reducing runtime and memory usage while maintaining accuracy comparable to CNSIO. Validation on two waveguide filter design examples demonstrates that RSAL-CN is more efficient and robust than CNSIO, offering a practical solution for large-scale EM design optimization.
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) | 0,001 | 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) | 0,003 | 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 ».