松屋でやたら牛めしをいただいた。だし、は知っていたけれどやたらは初めて。
野菜の食感がよく、さっぱり食べられて暑い日にはぴったり。
また別の日、吉野家で牛たん・牛皿御膳をいただいた。ドラクエウォークを毎日やっているのでコラボ企画で250円クーポンがもらえてお得。
たんはかなり硬めだが食べ応えはある。硬さは作る人次第なのかもしれないが。ねぎ塩だれがかなり塩味が強い。
「キングダム 魂の決戦」をIMAXで観るために109シネマズ大阪エキスポシティまでやってきた。
原作は最初の方だけ読んでいるくらいだが、映画はけっこう観ているので今回も観た。
前作の終わりの復習から入るのは親切。また当時の中国の国をちゃんと解説してくれたり、兵の配置が人形で表されていたりするのもわかりやすい。
でとにかく俳優が豪華で出てくる人出てくる人、え？この人も？とか思えるくらい。日本の著名俳優ほとんどでてるのでは。
https://kingdom-the-movie.jp/chara/
アクションはもちろんすごい。馬のシーンでおおっ！と思い、万極との戦いでの山﨑賢人さんのアクロバティックな動作にさらにおおっと思う。
ただこのくだりは長平の恨みが兵にも全部あって、別ジャンルの映画になっていた。しかし山﨑賢人さん、キングダムもゴールデンカムイも両方主演ですごいな…
要潤さんの戦いは無茶苦茶かっこよかったし、志尊淳さんが今回とてもよかった。
当然のことながら、2時間では描ききれないので不穏な雰囲気でどうなるんだ!というところで終わる。特に蒔田彩珠さんがどうなる？
次回も観なければ…
服部住吉神社の次はこちらへ。うちの父親が足が悪いので前回も来てお守りを買った。今回はお参りのみ。
阪急の服部天神駅から歩いてすぐです。
・Microwave JournalでCadenceのRF設計向けAI紹介
・Samtecが30°傾いた1.85mmコネクタ発表
・Mini-CircuitsのMMICアッテネータ紹介
・SEMCOがAI向けMLCC発表
その他
とりどーるのすぐ近くにある神社で初めてお参り。
・IEEE Microwave Magazineで自分のコードを高周波シミュレータに組み込む等
https://ieeexplore.ieee.org/xpl/mostRecentIssue.jsp?punumber=6668
・DeepSigがAIベースのRF検出OminiSIG 4.0発表
・BroadcomのWi-Fi 8 SoC解説
・GSMAがモバイルネットゼロレポート発行
その他
以前、オートエンコーダは不良品検知のために試してみた。今回はノイズが乗ったフィルタのSパラメータからノイズ除去してみよう。
フィルタのデータはL,Cの値を予測するのにつかったもの。そこに大きいノイズを加える。現実的でないほど大きなものを付け加えた。
これで除去できるか、まずはディープ・オートエンコーダでやってみる。
コードはこんな感じで。
import os
os.environ["KERAS_BACKEND"] = "jax"
import keras
import jax
from jax import config
config.update("jax_enable_x64", False)
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
plt.rcParams['font.family'] = 'Noto Sans CJK JP'
data_label = np.load("data_label.npz")
data = data_label["data"]
label = data_label["label"]
rng = np.random.default_rng(42)
sigma = 1.0e-1
noise = rng.normal(0.0, sigma, (10000, 200, 4))
noisy_data = data.copy()
noisy_data[:, :, 1:] += noise
x_train, x_test, y_train, y_test = train_test_split(noisy_data, data, test_size=0.3, random_state=0)
inputs = keras.Input(shape=(200, 5))
x = keras.layers.Flatten()(inputs)
encoded = keras.layers.Dense(256, activation='relu')(x)
encoded = keras.layers.Dense(128, activation='relu')(encoded)
encoded = keras.layers.Dense(64, activation='relu')(encoded)
encoded = keras.layers.Dense(32, activation='relu')(encoded)
decoded = keras.layers.Dense(64, activation='relu')(encoded)
decoded = keras.layers.Dense(128, activation='relu')(decoded)
decoded = keras.layers.Dense(256, activation='relu')(decoded)
decoded = keras.layers.Dense(200 * 5, activation='linear')(decoded)
outputs = keras.layers.Reshape((200, 5))(decoded)
model = keras.Model(inputs=inputs, outputs=outputs)
model.compile(loss = 'mean_squared_error' ,optimizer=keras.optimizers.Adam())
# 学習
epochs = 1000
keras.utils.set_random_seed(1)
history = model.fit(
x_train, y_train,
batch_size=128,
epochs=epochs,
validation_split=0.15,
)
y_pred = model.predict(x_test)
S11test = 10*np.log10(y_test[:, : ,1]**2 + y_test[:, :, 2]**2)
S21test = 10*np.log10(y_test[:, : ,3]**2 + y_test[:, :, 4]**2)
S11pred = 10*np.log10(y_pred[:, : ,1]**2 + y_pred[:, :, 2]**2)
S21pred = 10*np.log10(y_pred[:, : ,3]**2 + y_pred[:, :, 4]**2)
S11input = 10*np.log10(x_test[:, : ,1]**2 + x_test[:, :, 2]**2)
S21input = 10*np.log10(x_test[:, : ,3]**2 + x_test[:, :, 4]**2)
threshold = 3
# 1. 最大値とインデックス
max_vals = np.max(S21test, axis=1) # shape: (サンプル数,)
max_indices = np.argmax(S21test, axis=1)
# 2. 下限値
lower_bounds = max_vals - threshold
# 3. 条件マスク
mask = S21test >= lower_bounds[:, None]
# 4. インデックス範囲
indices = np.arange(S21test.shape[1])
masked_indices = np.where(mask, indices, np.nan)
min_indices = np.nanmin(masked_indices, axis=1).astype(int)
max_indices = np.nanmax(masked_indices, axis=1).astype(int)
# 5. 切り出し（可変長）
pred_error = [np.mean(np.abs(S21test[i, min_indices[i]:max_indices[i]+1] - S21pred[i, min_indices[i]:max_indices[i]+1]) )
for i in range(S21test.shape[0])]
original_error = [np.mean(np.abs(S21test[i, min_indices[i]:max_indices[i]+1] - S21input[i, min_indices[i]:max_indices[i]+1]) )
for i in range(S21test.shape[0])]
plt.hist(pred_error, bins = 100, color="red", alpha=0.5, range=(0,5), label="予測値の誤差")
plt.hist(original_error, bins = 100, color="blue", alpha=0.5, range=(0,5), label = "ノイズが乗ったもともとの誤差")
plt.xlabel("通過域(最大値から3dB落ち)のS21平均誤差[dB]")
plt.ylabel("頻度")
plt.grid()
plt.legend()
plt.show()
print(f"average original error {np.mean(original_error)}dB, average predicted value error {np.mean(pred_error)}dB")
|
帯域内の平均誤差をヒストグラムにしたもの。なるほど改善している。
実際の波形。ぎざぎざがだいぶ改善されている。
とはいうもののもうちょっと改善欲しいので畳み込みオートエンコーダも試してみる。
・KeysightとRCRTechが6Gウェビナー開催
https://pages.rcrtech.com/building-6g-webinar
・Copper Mountain Technologiesの新低価格4ポートVNA
・フジクラの5G Sub6GHz向け漏洩同軸ケーブル
https://www.fujikura.co.jp/news/pressrelease/20260710fujikura_news5no_511.html
・TDKのパワー半導体向けMLCCアプリケーションガイド
その他
Qualcomm retreats from small cells with eye on bigger 6G prize
CursorでGrok4.5が使えるという話を見てインストールしたがまだ使えなかった。
じゃあということでGrok Buildから使う。
いつもと同じプロンプトを入れてプランを立ててもらう。
いい感じだ。実行してもらう。
見てる間にできた。
dB
スミスチャート
位相
TDR
なるほどちゃんとできている。
ただ先日同じことをやったときは、以下のプランを立ててすぐにリミットが来た。結構リミット短いっぽい。
直近7日間と直接または間接に判断できるRF/無線関連ニュース、標準化、部品、分解動画だけを収集し、Ollamaで要約します。
本レポートでは、次世代通信（5G/6G）、ミリ波技術、および防衛・宇宙分野におけるRFコンポーネントの最新動向をまとめています。
--- 【注目のリンク】
餃子の王将で7月限定の麻婆茄子をいただいた。
特選セットAでご飯と餃子3個追加。
思っていた以上に茄子が大きめに切られていて、これがピリ辛のひき肉あんととてもよく合って美味しかった。
また別の日、ぎょうざの満州でなすのみそ炒めをいただいた。
こちらはさらに茄子がたっぷりで大きく、濃い味噌とよく絡んで美味しかった。
また別の日、ココイチでチキンと夏野菜カレーをいただいた。茄子も追加で。
ナスは美味しいがオクラがさらに美味しい。
キング原作でランニングマンはちょっと前に観たのでこのロングウォークも観に来た。
ポストカードもらった。
とにかく50人がただ歩くだけなのにものすごい緊張感。歩けなくなると銃で頭部を打ち抜かれる。さすがR15＋。
トイレとかどうすんだ、と思ったらもちろんトイレ休憩もなし（なので…あの人かわいそう。大人のおむつとかない設定なんだろう）。
どんどん皆ボロボロになっていって、バタバタ死んでいく。おかしくなって自分から死にに行くものも。
歩くのがメインと思いきや会話劇にもなっていてだんだん追い込まれる中でも友情がはぐくまれたり。
しかしランニングマンは結局勝っても殺されていたがロングウォークは一応賞金払っているみたいだし良心的？ただこんなものをテレビで観てよろこんでいるという世界観が恐ろしい。
マークハミルが少佐なのは事前に知っていたのでわかったが、知らなかったら気付かなかっただろう（ずっとサングラスしているし）。ベスト・キッドレジェンズに出てた子がいたのには驚いた。
ラストは、まあこうなるしかないよな、というものだった。
用があってものすごく久しぶりに千里中央駅で降りると、千里セルシーの跡地で工事が。
となりの千里阪急と一体化するのかな。それだけではないみたい。
吉野家でドラクエウォークセットをいただいた。
ミニフィギュアはつゆだくスライム。丼の模様が結構細かい。
別のフィギュアも欲しいなとおもったらもう販売終了だそうだ。
・KeysightとIEMNが6Gに向けてSubTHzのRIS評価
・ローデ・シュワルツとチャイナモバイルが生成AIユーザーエクスペリエンステスト
・6G MRSS解説記事
Can the telecom industry pave a smoother path to 6G?
・Sパラメータと分布インピーダンス解説記事
その他
羽生結弦さんが現役のころはそれ一色だったが、今はすっかりなくなった。
御影石のサッカーボールがある。八咫烏との関係らしい。
・Mini-Circuitsがアディティブフェイズノイズについて解説
・ローデシュワルツが品質検査用ミリ波スキャナ発表
・UMSが27.5-31GHz 25Wパワーアンプ発表
・HuaweiがAI-centricネットワークのマネタイズに向けたロードマップ発表
その他
このミス大賞文庫グランプリということでこの前読んだアナヅラさまと同時受賞ということで読んでみた。
あらすじは「小金井中央警察署の刑事第一課盗犯係の馬場みどりは、取調室でくだらない言い訳をするスリ犯と対峙していた。さらに管轄内のゲームセンターで出店荒らしが発生、現場に急行する。一方、同署組織犯罪対策係の為井忠之は、ガサ入れのため後輩の佐竹と違法風俗店を張り込んでいた。しかし為井はとある事情から店長のホセを逃そうと画策していて……。事件を追う者と隠す者、対照的な二人の運命は!? 」
このミス大賞だけどミステリ要素があまりなかった。この人が実は○○だったというのが絶対あると思ったらなくて、どうでもいい人の正体がこれだったとかが多い。あと唐突に新しい人が出てきて唐突に話が進むとか。警察小説としては面白いのかも知れない。ただミステリーを期待するとちょっと…という感じ。このミス大賞大体読んでいるけれど、実はあんまりハマったものがないんですよね…
前回、モンテカルロシミュレーションで学習データを作ったので今回はDNNでアンテナ利得（ゲイン）を予測しよう。
具体的には周波数、比誘電率、基板厚み、パッチサイズ(W,L)、フィード位置を与えて、アンテナ利得（ゲイン）を予測するもの。
コードはこんな感じ。
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_gain3000.csv')
data = df[['f_GHz', 'epsr', 'h_mm','W_mm', 'L_mm', 'feedX_mm']].to_numpy()
label = df[['Gain_dBi']].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=(6,))
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(1)(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))
|
実行するとR2scoreは0.99965566、平均誤差は0.0796471％となった。図示すると
確かにいい感じで推定できている。Matlabのライセンス切れてもこれ使えば…
直近7日間と直接または間接に判断できるRF/無線関連ニュース、標準化、部品、分解動画だけを収集し、Ollamaで要約します。
本レポートでは、次世代通信規格（5G-A/6G）、RFコンポーネントの動向、およびAIを活用したネットワーク最適化に関する主要なニュースをまとめています。
日本国内の商用5Gスタンドアロン（SA）ネットワークにおいて、SamsungのAI搭載RANスピードオプティマイザー（RSO）を用いた実証実験が完了。ネットワーク全体のピークダウンリンクスループットを31%向上させ、一部の指標では最大52%の速度向上を実現した。
米国国防総省（DoD）が、EricssonやNokiaの技術に対抗する6G候補として、Cohere Technologies社が推進するOTFS（Orthogonal Time Frequency Space）波形を支援。3GPPによる2026年6月の総会決定を受け、デバイスメーカーへの影響が注目されている。
Huaweiと中国電信（China Telecom）は、西安の観光地において3CC（3コンポーネント・キャリアアグリゲーション）技術を用いた5G-Aネットワークを導入し、観光体験の変革を図っている。
モバイル端末およびアクセサリ向けに、最高水準の接続性を提供する新しいWi-FiとBluetoothの統合ソリューションを公開。
NXPのRW612を採用した新モジュール「FCM365X」を発表。Wi-Fi 6、Bluetooth LE 5.4、Zigbee、Threadを統合し、IoT設計の簡素化を実現する。
スマートフォンおよびネットワーク機器向けのRFチップサプライヤーとして、データ通信量とIoT市場の長期的な成長を見据えた製品展開を強調。
産業用無線システム向けに、柔軟なRG-174ケーブルを使用した新しいMMCXケーブルアセンブリを導入。
ミリ波（mmWave）RF技術を活用し、近接領域での3次元ターゲット撮影を可能にするサブアパーチャベースの波面ドメイン3Dイメージング手法が発表された。
軍事・産業用途として、通信混雑時や電波妨害（ジャミング）が発生する環境下でも接続を維持できる新しいRFシステムの開発が進んでいる。
--- 【今週の注目リンク】
丸亀製麺で青唐おろしぶっかけうどんをいただいた。そのままでかなり辛いが、シビ辛ラー油をたっぷり投入で激辛にしてより美味しく。
かしわ天もつけた。
また別の日、なか卯でかつお節オクラまぐろたたき丼をいただいた。サラダと味噌汁もつけた。
かつお節がとてもいいアクセントになって混ぜ合わせると美味しい。これはやったことがなかったので新鮮。
また別の日、すき家でおんたま黒ビビンバ牛丼をいただいた。
黒って何？と思ったら海苔でした。これが混ぜるととてもいいアクセントになってより美味しくなる。
IMAXでトイ・ストーリー5を見ようと109シネマズ大阪エキスポシティまでやってきた。
ポスターとクリアファイルもらった。
4を観たとき、ああこれ絶対続編作れないな、と思った。ところが5ができると聞いて、かつデジタル機器と競り合う話ということで大丈夫なのか、面白いのか？と心配したが杞憂だった。
ものすごく面白かった。とにかく展開が早く、異なる場所でいろんな事件が同時進行で起きる。ずっとピンチの連続。
今回の主役はジェシーで、蛙型のタブレットであるリリーパッドと競り合う。デジタル機器があるなら子供におもちゃはいらないのか？という根源的な問いで、安易に解決はしないのも好印象。完全アナログなおもちゃとデジタル機器のリリーパッド、そしてその中間ぐらいのテクノロジーのスマーティーパンツ（これ何か実際に似たものあるの？）たちが出るが、これが私の子供のころのものに一番近いかな。
ロードが遅い…とか。ピザがサングラスをかけているやつが推されているのも笑った。あれ何？
コードがいくつか出てきて、たぶんPythonもあった(def ...みたいなのが見えた）。SNSの闇みたいなのも。
笑えるシーンは満載だが泣けるシーンが後半多くじーんとくる。最後はああいい話だったとなる。
そしていつもディズニー作品を観るときは字幕で観るようにしている。理由は書かれている英語を差し替えて日本語にしていたりするが、そのフォントがもういつも興ざめだったので。今回は吹替しかやってなかったのでそちらにしたが、日本語フォントがかなり改善されていたのでびっくり。
昨日はコーディング能力を見たが、今日はいつもやっている質問をしてみよう。
どちらも正しく答えられている。最近のローカルLLMはどれも賢いな。
ーーー
問：電子レンジの動作原理となぜ2.45GHzが使われているかを教えてください。特に水分子の共振周波数とも関連づけて説明してください。
電子レンジの動作原理と、なぜ2.45GHzという周波数が選ばれているのかについて、水分子の性質と関連づけながら解説します。
電子レンジは、誘電体加熱という仕組みを利用して食品を加熱します。
💡 重要な点：これは「共鳴（resonance）」ではなく、「誘電緩和（dielectric relaxation）」による加熱です。
よく「水分子の共振周波数が2.45GHz」と言われますが、これは厳密には誤りです。正確には以下のように理解する必要があります。
| 項目 | 説明 |
|---|---|
| 加熱メカニズム | 水分子の双極子回転による誘電緩和加熱（摩擦熱） |
| 「共振」との関係 | 水分子の真の振動・回転共振はTHz〜PHz帯。2.45GHzは誘電緩和のピーク近くであり、厳密な「共振」ではない |
| 2.45GHzの選定理由 | ① 浸透深さと吸収率のバランス ② コンパクトな部品で実現可能 ③ ISM帯として国際的に割り当て |
❌ 「水分子の共振周波数が2.45GHzだから」
✅ 「液体の水の誘電緩和応答が2.45GHz付近で効率的に熱に変換されるから」
この区別が重要です。単独の水分子の回転運動はGHz帯のはるかに高い周波数ですが、液体中では周囲の分子との相互作用によって応答が遅くなり、結果として2.45GHz付近で最大の加熱効率が得られるのです。
ご不明な点や、さらに詳しい物理的なメカニズム（誘電関数、損失正接角、複素誘電率など）についてもお手伝いできますので、お気軽にお知らせください。
問：隕石が大気圏に突入すると燃えてしまいますが、その原理を教えてください。
隕石が大気圏に突入して燃える（正確には「光り輝く」）主な原理は、**「空気の圧縮（断熱圧縮）」**による加熱です。
よく「空気との摩擦で燃える」と言われますが、実は摩擦よりも「圧縮」が主な原因です。以下に詳しく説明します。
隕石が大気圏に高速で突入すると、その前にある空気を一気に圧縮します。
📌 この現象は、**「衝撃波加熱」または「断熱圧縮加熱」**と呼ばれます。
摩擦も一部関わっていますが、二次的な要因です。
| 要因 | 寄与度 | 説明 |
|---|---|---|
| 空気の圧縮 | ⭐⭐⭐⭐⭐（主原因） | 隕石が空気を急速に圧縮し、数千〜数万℃に加熱 |
| 摩擦熱 | ⭐⭐（副原因） | 表面との摩擦で追加の熱が発生するが、圧縮より小さい |
| 化学的燃焼 | ⭐（ほぼ無関係） | 酸化反応ではなく、物理的な加熱・発光 |
宇宙空間（真空）では摩擦はありませんが、大気圏突入時はいかに空気を押しのけるかが問題です。
これが、ロケットの再突入時や隕石の発光現象の本質です。
もしさらに詳しく知りたい点（例：具体的な温度、隕石の種類の違いなど）があれば、お知らせください！
この記事を見た。
Claude Opus 4.7と同等性能のコーディングAIモデル「Ornith-1.0」が登場、ローカルで動作する小型モデルもラインナップ
Hugging Faceには4ビット量子化のGGUFもおかれているのでllama.cppで使ってみよう（ちなみにOllamaで使うと速度が1/3以下に…）
https://huggingface.co/deepreinforce-ai/Ornith-1.0-35B-GGUF
MCPサーバーのDuckDuckGoサーチで足りない情報はとってきてもらおう。
こちらを参照。
ではまず依頼すると、足りない情報は検索し始めた。
で計画を立ててもらう。
いくつか質問されて答えて進めてもらう。コードができた。
何回かやり直してもらってできた。
dB
TDR
スミスチャート
まずまずの出来。ただgemma-4で作ったものがローカルLLMでは今のところ一番かな。
公式サイトに「※本展には、性的な表現を含む作品が出品されます。 」というのがありましたが、そんな過激なものでないので安心。
とにかくこの時代のイギリスのことをほぼ知らないので斬新で面白かった。サッチャー政権下のイギリスはこうなっていたのか。
写真は動画系のもの以外はOKでした。
エイズが出始めてからの現代医学のところが特に面白かった。
これは光って音が鳴る。面白い。
この自転車、実はかなり大きいので違和感がある。
・Qualcommが6Gに向けた3GPP総会解説
・Kyocera AVXがWebベースのアンテナ統合ツール公開
・Mini-CircuitsがKeysight ADSを使ったアンプシミュレーション解説
・Rocket LabがIridiumを買収
その他
最近のコメント