新的 GNN 框架提高了射频电路性能预测的准确性

研究人员开发了一个新的图神经网络 (GNN) 框架，称为射频感知图神经网络 (RF-Informed Graph Neural Networks)，旨在准确高效地预测射频 (RF) 电路的性能。该方法使用领域特定的特征索引来提高跨不同电路拓扑的适应性和知识转移能力。该框架将电路表示为器件-终端图，保留了连通性和对称性，并与现有方法相比，在训练速度和数据效率方面显示出显著的改进。 AI

影响 该框架通过提供更快、更数据高效的性能预测，有可能加速射频电路的设计和优化。

排序理由 详细介绍用于电路性能预测的新机器学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Anahita Asadi
• graph neural network
• LNAs
• low-noise amplifiers
• machine learning
• Mixers
• Power amplifiers
• RF-Informed Graph Neural Networks
• Vas
• VCOS
• voltage amplifiers
• voltage-controlled oscillators

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →