arXiv:2606.27002v1 eess.SP

심층 학습을 이용한 소형 광대역 역방향 도허티 전력 증폭기의 역설계

Inverse Design of Compact and Wideband Inverted Doherty Power Amplifiers Using Deep Learning

Han Zhou, Haojie Chang, David Widen, Christian Fager

제출 2026-06-25

한국어 초록

본 논문은 소형 광대역 역방향 도허티(inverted Doherty) 전력 증폭기(PA)의 역합성을 위한 심층 학습 보조 방법론을 제시한다. 합성곱 신경망(CNN)과 유전 알고리즘(GA)을 함께 사용하여 부하 변조(load modulation), 임피던스 정합(impedance matching), 전력 결합(power combining), 위상 보상(phase compensation)을 단일 구조에 통합하는 픽셀화된 도허티 결합기 네트워크를 생성한다. 개념 증명으로, 픽셀화된 출력 결합기를 갖는 GaN HEMT 도허티 PA를 설계하고 제작한다. 원형은 1.9–2.5 GHz에서 측정된 피크 드레인 효율 51%–63%와 6-dB 백오프 효율 48%–54%를 달성한다. 동일 주파수 범위에서 측정된 출력 전력은 44±0.3 dBm이다. 또한 디지털 사전왜곡(DPD)을 적용하면, 원형 회로는 인접 채널 누설비(ACLR)가 -53.2 dBc보다 우수함을 보인다.

원문 초록

This paper presents a deep learning-assisted methodology for the inverse synthesis of a compact, wideband inverted Doherty power amplifier (PA). Convolutional neural networks (CNNs) and genetic algorithms (GAs) are jointly employed to generate pixelated Doherty combiner networks that integrate load modulation, impedance matching, power combining, and phase compensation into a single structure. As a proof of concept, we design and fabricate a GaN HEMT Doherty PA with a pixelated output combiner. The prototype achieves a measured peak drain efficiency of 51%-63% and a 6-dB back-off efficiency of 48%-54% over 1.9-2.5 GHz. Within the same frequency range, the measured output power is 44+/-0.3 dBm. Furthermore, with digital predistortion (DPD) applied, the prototype circuit demonstrates an adjacent channel leakage ratio (ACLR) better than -53.2 dBc.

요약

CNN과 유전 알고리즘(GA)을 결합해 부하 변조, 임피던스 정합, 전력 결합, 위상 보상을 하나의 픽셀화된 역방향 도허티(inverted Doherty) 결합기로 통합하는 역합성 방법을 제안한다. GaN HEMT 원형은 1.9–2.5 GHz에서 피크 드레인 효율 51%–63%, 6-dB 백오프 효율 48%–54%, 출력 전력 44±0.3 dBm을 달성했으며 디지털 사전왜곡(DPD) 적용 시 ACLR -53.2 dBc 이상을 보였다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.27002v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.18395v1eess.SP공통 태그 Evolutionary Algorithms, inverse design, power amplifier

화소화 결합기와 이중 상태 임피던스 합성을 사용한 도허티 전력 증폭기의 심층 학습 기반 역설계

Deep Learning-Driven Inverse Design of Doherty Power Amplifiers Using Pixelated Combiners and Dual-State Impedance Synthesis

도허티 전력 증폭기(PA)의 출력 결합기는 부하 변조, 임피던스 정합, 위상 보상을 단일 네트워크 내에 통합하므로, 그 설계와 합성이 매우 까다롭습니다. 본 논문에서는 피크 및 백오프(back-off) 전력 조건을 모두 해결하기 위해 심층 합성곱 신경망(CNN), 화소화 레이아웃 표현, 유전자 알고리즘(GA)을 이중 상태 임피던스 합성과 결합한 3포트 도허티 결합기 설계 방법론을 제안합니다. 개념 증명을 위해, 3포트 화소화 결합기를 통합한 두 개의 GaN HEMT 도허티 PA 프로토타입을 설계하고 제작했습니다. 두 프로토타입 모두 2.6-2.8 GHz 대역에서 측정된 포화 출력 전력 44.2 dBm 이상, 피크 드레인 효율 71.2% 이상을 달성했습니다. 또한, 6dB 백오프 레벨에서 64%에 달하는 드레인 효율이 측정되었습니다. 디지털 프리디스토션(digital predistortion)을 적용한 후, 각 프로토타입은 -51.3 dBc보다 우수한 인접 채널 누설 비(ACLR)를 달성했습니다.

arXiv:2610.01119v1cs.AI공통 태그 Evolutionary Algorithms, inverse design

AbsorbEvo: 마이크로파 흡수체의 자율 역설계를 위한 에이전트 프레임워크

AbsorbEvo: An Agentic Framework for Autonomous Inverse Design of Microwave Absorbers

고성능 마이크로파 흡수체 설계는 전자기 이론, 재료 과학 및 시뮬레이션 프로그래밍에 대한 전문적인 지식을 요구하며, 많은 시간이 소요되는 최적화(optimization) 과정을 수반합니다. 본 논문에서는 자연어 성능 목표를 전파(full-wave) 시뮬레이션으로 검증된 설계로 변환하는 자율 역설계 에이전트(agent) 프레임워크인 AbsorbEvo를 제시합니다. 본 프레임워크의 후보 진화 전략은 언어적 추론, 물리 기반 예측 및 과거 피드백을 통합합니다. 대규모 언어 모델(LLM)은 작업 목표와 계산 기록을 바탕으로 매개변수 조정의 방향과 크기를 제안합니다. 시스템은 방향성이 있는 증분과 전역 샘플링을 결합하여 후보를 생성하고, 저비용 예측 모델을 물리적 사전 지식(prior)으로 사용하여 순위를 매깁니다. 높은 순위를 기록한 설계만이 전파 시뮬레이션을 거칩니다. 물리적 타당성 검사를 통과한 결과는 성능을 평가하고 후속 탐색을 안내하는 데 사용됩니다. 학습 작업에서 얻은 경험은 텍스트 형태의 스킬로 추가 증류(distillation)되며, 이는 새로운 작업에 사용되기 전에 독립적으로 검증됩니다. 공개되지 않은 AbsorbBench-36 작업에서 동일한 제안 예산 조건하에 AbsorbEvo는 79.17%의 작업 성공률을 달성하여, 일반적인 에이전트의 25.00% 및 무작위 탐색(random search)의 12.50%와 대비되는 성과를 보였습니다. 평균 최고 커버리지는 각각 0.6434와 0.6448이었던 데 반해 0.7816을 기록했습니다. AbsorbEvo는 언어 추론과 물리 기반 피드백을 설계 결정에 통합함으로써, 자연어 기반 마이크로파 흡수체 자율 역설계를 위한 방법론적 기반을 제공합니다.

arXiv:2607.11910v1cs.NE공통 태그 Evolutionary Algorithms, inverse design

SeqGPT: 다중 패널 복합 구조 역설계를 위한 제약 트랜스포머 에이전트

SeqGPT: A Constrained Transformer Agent for the Inverse Designof Multi-Panel Composite Structures

복합재 적층 순서를 연속 목표(예: 적층(Lamination) 또는 좌굴(Buckling) 파라미터)에 맞추면서 이산 제조 제약을 만족시키도록 최적화하는 문제는, 특히 수치 최적화 접근법(이중 단계(bi-step), 이중 수준(bi-level) 구성)이 사용될 때 복합재 설계에서 흔히 발생하는 어려운 조합 역문제이다. 다패널 구성에서는 서로 다른 패널 적층 간의 전역 호환성/연속성 요구사항인 블렌딩(blending)으로 인해 이러한 복잡성이 더욱 심화된다. 본 연구는 계산 비용이 큰 반복 방법을 대체하기 위해 개발된 조건부 트랜스포머 에이전트인 SeqGPT를 제안한다. 전역 연속성과 제조 가능성을 설계상 모두 보장하기 위해 하이브리드 신경-기호 디코딩 전략을 구현하였다. SeqGPT는 조건부 분포를 예측하여 제약 빔 서치(Constrained Beam Search)를 안내하며, 블렌딩 규칙을 위반하는 모든 가지는 엄격하게 가지치기된다. 18패널 말굽(horseshoe) 벤치마크에 대한 수치 실험은 SeqGPT가 거의 즉시 해를 생성하며 진화 알고리즘 방법과 유사한 좌굴 성능을 달성함을 보여주며, 최신 방법(state of the art) 대비 상당한 속도 향상을 제공한다.

arXiv:2505.19912v4cs.CL공통 태그 Evolutionary Algorithms공식 코드 · Papers with Code

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.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.