PulseAugur
中
实时 10:30:51
English(EN) Deep-Learning-Based Pixelated Microwave Filter Design and Characterization using Electro-Optical Electric-Field Measurements

AI自动化微波滤波器设计，揭示新颖电场模式

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的深度学习方法，用于自动化像素化微波滤波器的设计，克服了传统迭代调谐过程的局限性。该方法结合了卷积神经网络和遗传算法，并通过S参数和电光电场测量进行了实验验证。合成的低通滤波器在仿真和实验结果之间显示出高度一致性，具有7 GHz的通带和超过9.5 GHz的20 dB以上抑制。值得注意的是，电光测量提供了对AI生成设计的电场模式前所未有的见解，揭示了类似于耦合传输线的结构。 AI

影响 这项研究展示了AI在专业工程领域加速创新和推动进步的能力，有望带来更高效和新颖的组件设计。

排序理由 学术论文，详细介绍了一种用于滤波器设计的新深度学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Han Zhou, Richard Bannister, Caspar Pierce, Haojie Chang, David Widen, Ludvig Fornstedt, Gabriel Melin, Alexander Bohlin, Pontus Lindeberg Fredriksson, Dilbagh Singh, Christian Fager, Koen Buisman ·

    Deep-Learning-Based Pixelated Microwave Filter Design and Characterization using Electro-Optical Electric-Field Measurements

    arXiv:2606.18402v1 Announce Type: cross Abstract: Traditional microwave filter design typically relies on iterative parameter tuning and predefined topologies, which limits design space and increases development time. This study uses a deep learning approach combining convolution…

相关实体

相关话题