전광적 전계 측정을 이용한 심층 학습 기반 픽셀화된 마이크로파 필터 설계 및 특성 분석
Deep-Learning-Based Pixelated Microwave Filter Design and Characterization using Electro-Optical Electric-Field Measurements
한국어 초록
전통적인 마이크로파 필터 설계는 일반적으로 반복적인 매개변수 튜닝과 미리 정의된 토폴로지에 의존하며, 이는 설계 공간을 제한하고 개발 시간을 증가시킵니다. 본 연구는 픽셀화된 마이크로파 필터 합성을 자동화하기 위해 합성곱 신경망(CNN)과 유전자 알고리즘을 결합한 심층 학습 접근법을 사용합니다. 접근법을 실험적으로 검증하기 위해 S-파라미터와 공간적 전계 측정이 모두 분석되었습니다. 합성된 저역 통과 필터는 시뮬레이션과 측정 성능 간에 우수한 일치를 나타냈으며, 9.5 GHz 이상에서 20 dB 이상의 억제를 통해 7 GHz 통과 대역을 달성했습니다. 전광 측정은 처음으로 결합된 전송선이나 스터브 구조와 유사한 전계 패턴을 드러냈으며, 이는 AI 생성 설계의 창발적 특성에 대한 통찰을 제공합니다.
원문 초록
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 convolutional neural networks with genetic algorithms to automate pixelated microwave filter synthesis. To validate the approach experimentally, both S-parameter and spatial electric-field measurements were analyzed. The synthesized low-pass filter demonstrated excellent agreement between simulated and measured performance, achieving a 7 GHz passband with over 20 dB suppression beyond 9.5 GHz. Electro-optical measurements, for the first time, revealed electric field patterns that resemble coupled transmission-lines or stub structures, providing insight into the emergent characteristics of AI-generated designs.
요약
합성곱 신경망(CNN)과 유전자 알고리즘을 결합해 픽셀화된 마이크로파 필터 합성을 자동화하고, S-파라미터와 전광 전계 측정으로 실험 검증을 수행했다. 합성된 저역 통과 필터는 7 GHz 통과 대역과 9.5 GHz 이상 20 dB 이상 억제를 달성했으며, 전계 패턴은 결합 전송선·스터브 구조와 유사한 형태를 보여 AI 생성 설계의 동작 원리를 해석할 수 있었다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.18402v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
APE: 언어 모델 적응을 위한 수락 기준 기반 선택적 미세조정
APE: Selective Fine-tuning with Acceptance Criteria for Language Model Adaptation
본 논문에서는 모델의 안정성을 유지하면서 매개변수(parameter) 수정을 체계적으로 탐색하는 대규모 언어 모델(LLM) 적응용 선택적 미세조정(fine-tuning) 방법인 APE(Adjacent Possible Exploration)를 제시합니다. 진화적 최적화 원리에서 영감을 얻은 APE는 소규모 데이터 하위 집합에 대한 미세조정을 통해 여러 후보 매개변수 업데이트를 평가하고 성능 임계값을 초과하는 업데이트만을 수락합니다. 단일 그래디언트(gradient) 방향을 따르는 표준 미세조정과 달리, APE는 체계적인 개선을 가능하게 하면서도 모델을 불안정하게 만드는 매개변수 변화를 방지하는 필터링된 선택 프로세스를 구현합니다. 우리 방법은 최소한의 계산 자원만을 사용하면서도 뉴스 요약 태스크에서 33.9%의 BLEU 향상과 36.2%의 퍼플렉서티(perplexity) 감소를 달성합니다. 이 접근법은 성능 향상과 표현 안정성 사이의 균형을 맞추는 제어된 모델 적응을 위한 실용적인 프레임워크를 제공합니다.
DarwinLM: 대규모 언어 모델의 진화적 구조적 가지치기
DarwinLM: Evolutionary Structured Pruning of Large Language Models
대규모 언어 모델(LLM)은 다양한 자연어 처리(NLP) 태스크에서 상당한 성공을 거두었다. 그러나 거대한 계산 비용은, 특히 실시간 응용에서, 이들의 널리 사용을 제한한다. 구조적 가지치기(structured pruning)는 모델을 압축하고 하드웨어 환경과 무관하게 end-to-end 속도 향상을 직접 제공함으로써 효과적인 해결책을 제시한다. 한편, 모델의 서로 다른 구성 요소는 가지치기에 대해 서로 다른 민감도를 보이므로, 균일하지 않은(non-uniform) 모델 압축이 필요하다. 그러나 가지치기 방법은 유능한 하위 구조를 식별하는 것뿐만 아니라 압축 후 학습도 고려해야 한다. 이를 위해 우리는 학습을 고려한(training-aware) 구조적 가지치기 방법인 DarwinLM을 제안한다. DarwinLM은 진화적 탐색 과정을 기반으로 하며, 각 세대에서 변이(mutation)를 통해 여러 자손 모델을 생성하고 생존에 가장 적합한 것을 선택한다. 사후 학습의 효과를 평가하기 위해, 우리는 자손 집단 내에 경량의 다단계 학습 과정을 통합하여 토큰 수를 점진적으로 늘리고 각 선택 단계에서 성능이 낮은 모델을 제거한다. 우리는 Llama-2-7B, Llama-3.1-8B, Qwen-2.5-14B-Instruct에 대한 광범위한 실험을 통해 방법을 검증하였으며, 구조적 가지치기에서 최신(state-of-the-art) 성능을 달성하였다. 예를 들어, DarwinLM은 압축 후 학습 동안 5배 적은 학습 데이터를 필요로하면서 ShearedLlama를 능가한다. 코드: https://github.com/IST-DASLab/DarwinLM
Graph-Supported Dynamic Algorithm Configuration for Multi-Objective Combinatorial Optimization
Randomised Optimism via Competitive Co-Evolution for Matrix Games with Bandit Feedback
Benchmarking MOEAs for solving continuous multi-objective RL problems
Mergenetic: a Simple Evolutionary Model Merging Library
토론
이 논문과 연결된 포럼 글이 아직 없습니다.