.png){kind=icon}
返回
Machine learning for microwave optimization using simplex surrogates, dual-resolution computational models and local tuning with sparse sensitivity updates
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-28208-x.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数值优化流程现已成为微波设计过程中的一个不可或缺的组成部分。确保可靠性需要在电磁（EM）分析层面进行参数调优，但这会涉及相当大的计算成本。此外，全局优化通常也是必要的（例如，多模态问题、大规模工作频率重设计、超表面设计），而使用传统技术时其成本则不可比拟地更高。在本工作中，我们介绍了一种针对微波结构快速全局优化的新方法。我们的方法基于处理电路的工作参数而非其完整的频率特性，并利用基于单纯形的回归器。这两者均能对目标函数进行正则化，从而有助于并加速最优设计的识别。进一步的加速是通过采用双保真度EM仿真以及在最终参数调优阶段进行受限灵敏度更新来实现的。所提出的算法已通过多个微带组件进行了全面验证，并证明优于多个基准方法。除了可靠性之外，其突出特点还包括卓越的计算效率（平均优化成本对应于少于五十次电路的EM仿真）、简单的实现方式，以及易于处理少量控制参数（这些参数无需针对具体问题进行调优）。
Keyword:
Microwave design optimization
Computer-aided design
Global search
Machine learning
Surrogate modeling
Principal directions
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
27.8W
被引数:
83.5W
机构
引用论文
Antenna Modeling Using Variable-Fidelity EM Simulations and Constrained Co-Kriging.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Hybrid Algorithm Combing Genetic Algorithm With Evolution Strategy for Antenna Design遗传算法与进化策略相结合的天线设计混合算法
PREAI
分享收藏Advanced Fruit Fly Optimization Algorithm and Its Application to Irregular Subarray Phased Array Antenna SynthesisIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Gain Bandwidth Enhancement and Sidelobe Level Stabilization of mmWave Lens Antennas Using AI-Driven Optimization使用AI驱动的优化的毫米波透镜天线的增益带宽增强和旁瓣电平稳定
OAAI
OAAI分享收藏Microwave Modeling and Design Optimization: The Legacy of John Bandler微波建模与设计优化：John Bandler的遗产
PREAI
分享收藏
查看更多内容