高周波エンジニアのためのAI・機械学習入門（GPU編34） MATLAB OnlineのAntenna Toolboxのパッチアンテナ設計機能を使ってモンテカルロシミュレーションをして、DNNで予測してサロゲートモデルを作る。精度がどれも0.数％ととてもよかった。

前回はMATLAB OnlineのAntenna Toolboxで周波数、比誘電率を与えてパッチアンテナの寸法(W, L), 基板厚みh, フィード位置をdesign関数で設計し、周波数と比誘電率を振ってモンテカルロシミュレーションで10000個作った。

今回はそれをDNNで予測してみよう。

コードはこちら。

import os

os.environ["KERAS_BACKEND"] = "jax"

import keras

import jax

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from jax import config

config.update("jax_enable_x64", False)

plt.rcParams['font.family'] = 'Noto Sans CJK JP'

df = pd.read_csv('patch_mc.csv')

data = df[['f_GHz', 'epsr']].to_numpy()

label = df[['h_mm','W_mm', 'L_mm', 'feedX_mm']].to_numpy()

x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.3, random_state=0)

normalizer = keras.layers.Normalization()

normalizer.adapt(x_train)

scaler_y = StandardScaler()

y_train_f = scaler_y.fit_transform(y_train)

y_test_f  = scaler_y.transform(y_test)

inputs = keras.Input(shape=(2,))

hidden_dim = 128

x = normalizer(inputs)

x = keras.layers.Flatten()(inputs)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

x = keras.layers.LayerNormalization()(x)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

x = keras.layers.LayerNormalization()(x)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

x = keras.layers.LayerNormalization()(x)

outputs = keras.layers.Dense(4)(x)

model = keras.Model(inputs=inputs, outputs=outputs)

model.compile(loss = 'mean_squared_error' ,optimizer=keras.optimizers.Adam())

batch_size = 128

epochs = 500

keras.utils.set_random_seed(1)

history = model.fit(

    x_train,

    y_train_f,

    batch_size=batch_size,

    epochs=epochs,

    validation_split=0.15,

)

y_pred_f = model.predict(x_test)

y_pred = scaler_y.inverse_transform(y_pred_f)

metric = keras.metrics.R2Score()

metric.update_state(y_test, y_pred)

result = metric.result()

print(result)

error = np.abs((y_test - y_pred)/y_test*100)

print(error.mean(axis=0))

結果を図示したもの。平均誤差が0.数％ととても精度がいい。

別の事例でもやってみよう。