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。

2022年，即该研究项目的第一年，为了利用深度学习建立微波带通滤波器（BPF）的新设计方法，我们将使用输入作为设计规范值，输出作为形状参数我们利用深度强化学习构建了平面BPF模型，并取得了以下研究成果。 (1)使用深度强化学习的BPF设计技术建模：为了减轻当前BPF设计的复杂性，正在考虑使用深度Q网络(DQN)的结构参数自动设计方法。然而，采用常规方法，如果设计规范发生变化，就需要从头开始重新学习。在本研究中，我们提出了一种强化学习方法来构建可以针对多种设计规范自动设计的 DQN。在所提出的方法中，不仅添加了设计阶段中期的BPF耦合矩阵，而且还添加了根据设计规范计算出的理论特性的耦合矩阵作为DQN的输入。为了证明该方法的有效性，我们以具有三个谐振器级的微带带通滤波器为例，构造了一个可自动设计的 DQN，其中心频率为 2.90 至 3.09 GHz，分数带宽为 4 至 6%。结果，我们表明，如果在这些范围内给出设计规格，即使从显着失谐的频率特性开始设计，也可以自动快速地获得满足设计规格的结构参数的设计值。（2）构建BPF特征高速计算的代理模型：BPF特征的高速计算对于缩短深度强化学习的学习时间至关重要。因此，我们使用包括材料损失在内的 S 参数作为学习数据，构建了电磁场分析的代理模型。具体来说，这是一个使用卷积自动编码器 (CAE) 从输入结构参数输出 S 参数的模型。这为我们提供了未来设计技术建模的前景，同时也考虑了材料损失。