高周波エンジニアのためのAI・機械学習入門（GPU編41） 強化学習でLCバンドパスフィルタの素子値を最適化する。今回は準備として損失があるL,C（Q値を入力）を使って設計・特性評価するPythonライブラリを作る。

今回からしばらく強化学習編でLCフィルタのL,Cの値を最適化する。基本、強化学習はこういう静的なものでやるものでなく、ゲームとか動くものでやるほうがいいと思うがまあ最近ネタ切れなので。

まずはバンドパスフィルタを設計、特性を評価するライブラリをMicrosoft 365 Copilot Chat(GPT-5.5 Think Deeper)で作ってGoogle Antigravity(Gemini 3.5 Flash)で改善した。以前も同様なものを作ったが、今回は損失（Q値が有限）こみのL,Cの値を入れるもの。理想素子すぎるとあまり面白くないので。

こんな感じで特性が表示される。

worst_insertion_loss_dB_in_design_band : 10.2088
s21_at_f0_dB : -6.25388
insertion_loss_at_f0_dB : 6.25388
return_loss_at_f0_dB : 20.7916
min_return_loss_dB_in_design_band : 12.3831
passband_ripple_dB_in_design_band : 3.95638
bandwidth_level_dB_from_peak : 3
measured_f_low_GHz : 2.33969
measured_f_high_GHz : 2.56855
measured_bandwidth_GHz : 0.228861
measured_f0_GHz : 2.45145
measured_fbw : 0.0933573
-------------------------------------------------------

ライブラリ本体はこちら。

ダウンロード - bpf.py

次は報酬を定義する。