权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

深層学習によるマイクロ波平面フィルタの逆設計法の研究開発

基于深度学习的微波平面滤波器逆向设计方法研究与开发

基本信息

批准号：
22K04236
负责人：
大平昌敬
金额：
$ 2.58万
依托单位：
Saitama University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2022
资助国家：
日本
起止时间：
2022-04-01 至 2025-03-31
项目状态：
未结题

项目摘要

深層学習によるマイクロ波帯域通過フィルタ（BPF：bandpass filter）の新しい設計方法を確立するために、本研究課題の初年度である2022年度は、入力を設計仕様値、出力を平面BPFの形状パラメータとするモデルを深層強化学習によって構築し、以下の研究実績を上げた。(1) 深層強化学習を用いたBPFの設計技術のモデル化：現状のBPF設計の煩雑さから解放するため、深層Qネットワーク (DQN：deep Q network)を用いた構造パラメータの自動設計手法が検討されてきた。しかし、従来の手法では設計仕様が変われば一から学習し直す必要があった。それに対して本研究では、複数の設計仕様に対して自動設計が可能なDQNを構築するための強化学習手法を提案した。提案手法ではDQNの入力として、設計途中段階のBPFの結合行列のみならず、設計仕様から算出した理論特性の結合行列を新たに追加した。提案手法の有効性を示すため、共振器3段のマイクロストリップBPFを例に中心周波数2.90～3.09 GHz、比帯域幅4～6％の範囲で自動設計が可能なDQNを構築した。その結果、これらの範囲内で与えられる設計仕様であれば、大きく離調した周波数特性から設計をスタートしても自動かつ高速に設計仕様を満足する構造パラメータの設計値が得られることを示した。(2) BPF高速特性計算のための代理モデルの構築：深層強化学習の学習時間短縮には高速なBPF特性計算が欠かせない。そこで、材料損失を含むSパラメータを学習データとして用いて電磁界解析の代理モデルを構築した。具体的には、畳み込みオートエンコーダ（CAE：convolutional autoencoder）を用いて入力の構造パラメータからSパラメータを出力するモデルである。これにより今後、材料損失をも考慮した設計技術のモデル化の見通しが得られた。

A new design method for deep learning by bandpass filter (BPF) was established. In the initial year of this research project, the design value of input force and the shape of output plane were established. The following research results were presented. (1)Deep Reinforcement Learning (DRL) is used in BPF design techniques. The design of BPF is based on the deep Q network (DQN). It is necessary to learn from the design of the system. In this study, we propose a reinforcement learning method for designing and constructing DQN automatically. The proposed method is to add a new combination of DQN and BPF in the design stage. For example, the center frequency of 2.90~3.09 GHz and the bandwidth of 4~6% can be automatically designed to construct DQN. The result is that the design value of the structure is obtained from the frequency characteristics of the design and the automatic design of the high-speed design. (2)BPF high speed characteristic calculation and proxy structure: Deep reinforcement learning and learning time shortening and high speed BPF characteristic calculation are insufficient. For example, the material loss is included in the electromagnetic field analysis. The concrete structure of CAE (continuous autoencoder) is composed of the following components: This is the first time that we have considered the material loss in the future.