高周波エンジニアのためのAI・機械学習入門（GPU編30）Keras3(バックエンドはJax)を使ってRNNの一種LSTM(=長短期記憶）で21次のLCバンドパスフィルタ（L,Cのパラメータ42個）のSパラメータの値から素子の値（L、C）を推定する。

DNN, CNNと来て今回はRNNの一種、LSTM。

コードはこんな感じで。

import os

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

import keras

import jax

import numpy as np

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'

data_label = np.load("21stagefilter.npz")

data = data_label["data"]

label = data_label["label"]

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

scaler_y = StandardScaler()

y_train_f = scaler_y.fit_transform(y_train)

ord = 21

hidden_dim = 200

inputs = keras.Input(shape=(200, 5))

x = keras.layers.LSTM(100, return_sequences=True)(inputs)

x = keras.layers.LSTM(100)(x)

outputs = keras.layers.Dense(ord * 2)(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))

結果はこちら。

まずまずだがCNNの5倍くらい時間かかる上にCNNのほうが精度がいい。この例ではあまりよくなさそう。

次はTransformerをやってみよう。

RF Weekly Digest (Gemini 3.5 Flash・Google AI Studio BuildによるAIで高周波・RF情報の週刊まとめアプリ）2026/5/31-6/7

今回からGemini 3.1 ProからGemini 3.5 Flashに変更した。

RF Weekly Digest

本ハイレベル・ブリーフィングでは、2026年5月31日から2026年6月7日の間に収集された、最も重要なRF技術開発およびインテリジェンスを網羅しています。

NETWORK STANDARDS

1. 5G/6Gの進展と標準化

3GPP リリース20のスコープ決定およびリリース21（6G）のタイムライン確定 2026年6月4日現在の3GPP総会において、無線エコシステムはリリース20の初期スコープに正式に合意しました。本リリースは、決定的な「5G-Advanced」の進化版として位置付けられており、AIネイティブな無線インターフェースおよび通信・センシング一体型技術（ISAC）に焦点を当てています。極めて重要な点として、初の6G標準仕様が含まれるリリース21のタイムラインが今週最終決定され、2030年の6G商用化を支えるために2028年末の「フリーズ（仕様凍結）」を目標とすることが確認されました。

• 主な重点分野: モビリティ管理のためのAI/ML、およびCSI（チャネル状態情報）圧縮。

EUのSNS JUが6G研究予算を調整 2026年6月5日、スマートネットワーク・サービス共同事業（SNS JU）は、同期化された6G研究開発イノベーション・ロードマップを発表しました。2021年から2027年の期間で9億ユーロの予算を投じる同グループは、6G地上無線アクセスのテストベッドとして機能する、高度な5Gネットワークの展開に関する新たな業界調整結果を報告しました。

TEARDOWN ANALYSIS

2. 最新スマートフォンおよびウェアラブルの分解解析（ティアダウン）

Apple Watch Series 11 5G：MediaTekへの転換 TechInsightsが2026年6月2日に公開した詳細な分解レポートにより、AppleのRFサプライチェーンにおける劇的な転換が明らかになりました。Apple Watch Series 11 5Gにおいて、Appleのウェアラブルデバイスとしては初めてMediaTek製シリコンが採用されていることが確認されました。

• 特定されたコンポーネント:
  
  • MediaTek MT6815W（ベースバンド/モデム）
  • MediaTek MT6695P（エンベロープ・パワートラッカー）
  • SkyworksおよびBroadcom（フロントエンド・モジュール）
• アーキテクチャの洞察: Appleは、従来のQualcommのみのアーキテクチャから脱却し、バッテリー寿命に影響を与えることなく、コンパクトなウェアラブル筐体で5Gをサポートするための新しい「メインアンテナ3」を設計しました。
• ソース: TechInsights Apple Watch Series 11 Analysis（注：閲覧には購読が必要です）。

偽造デバイスのフォレンジック：深センの「Ultra 3」および「AirPods Pro 3」 2026年6月6日、iFixitは現在深センの市場に溢れているApple製品の「偽造品」に関する分解レポートを公開しました。非正規品ではあるものの、本レポートは低価格クローンデバイスに関する重要なRFインテリジェンスを提供しています。

• 調査結果: 偽造品のApple Watch Ultra 3は、極小の260 mAhバッテリーを使用しており（正規品は542 mAh）、センサーアレイのほとんどは外観のみのダミーでした。
• RF構造: クローンデバイスは、固定の甘い手はんだ付けのアンテナ線を使用しており、実際のANC（アクティブノイズキャンセリング）に必要なMEMSマイクを搭載していません。
• ソース: iFixit Shenzhen Counterfeit Teardown Video

NETWORK STANDARDS

3. 新型ハードウェアおよび半導体のリリース

MediaTek Filogic 8800：Wi-Fi 8時代の幕開け Computex 2026（6月2日～6日）において、MediaTekはFilogic 8800チップセットを発表し、コネクティビティ分野を席巻しました。これは後方互換性を持つWi-Fi 8ソリューションであり、システムスループットを200%向上させ、前世代のWi-Fi 7よりも50%高速なファイルダウンロードを可能にするよう設計されています。

• イノベーション: 高密度の干渉が激しい環境下でリンクを安定させるための「AIネットワーク最適化」ツールキットが含まれています。

BroadcomがWi-Fi 8と50G PONを統合したプラットフォームを発表 2026年6月3日、Broadcomはレジデンシャルゲートウェイ向けに、50G PON（受動光ネットワーク）と統合された第2世代Wi-Fi 8チップを発表しました。このハードウェアにより、家庭内ネットワークのファイバー引き込み地点から直接10Gbps以上のワイヤレス速度が可能になります。

Qualcomm X105 5G Modem-RF（リリース19対応） 最新の業界レポート（6月4日）は、Qualcomm X105 5Gモデムが、2027年のフラッグシップデザインに初めて統合されることを強調しています。

• RFスペック: 業界初の6nm RFトランシーバーを搭載しており、X85シリーズと比較して消費電力を30%削減し、基板面積（PCBフットプリント）を15%縮小したと謳っています。

NETWORK STANDARDS

4. IoT、コネクティビティ、およびインフラストラクチャ

Synaptics：IoT向けAIネイティブWi-Fi 7 2026年6月1日、Embedded Worldの発表に合わせて、Synapticsは低電力IoTクライアント向けに特化した初のトライバンドWi-Fi 7チップを発表しました。

• 主な特徴: オンデバイスAIを統合して産業用IoT環境における信号の整合性を最適化し、干渉の激しい「工場のフロア」のようなシナリオでも接続を維持できるようにします。

MaxLinearとGCTによる5G FWAパートナーシップ Computex（2026年6月2日）で発表された通り、MaxLinearとGCT Semiconductorは次世代5G固定無線アクセス（FWA）ゲートウェイの開発で提携しました。このソリューションはミリ波（mmWave）とSub-6 GHzのコンバージェンス（収束）を利用し、通信環境の不十分な地方において「ファイバー並み」の速度を提供します。

TEARDOWN ANALYSIS

5. 図表およびダイアグラム

• RFシステムブロック図: TechInsightsは、Apple Watch Series 11 5GのRFアーキテクチャのハイレベルな回路図を提供し、MediaTek MT6815WとSkyworks/Broadcomフロントエンド・モジュールの統合を示しています。出典: TechInsights Report Gallery
• オープンRAN FR2ソリューション: SynaXGとAethertekは、5G-Advanced向けの新しいミリ波フェーズドアレイ・アンテナの統合を披露しました。Computexで展示されたダイアグラムは、FR2 オープンRANアーキテクチャのモジュール設計を示しています。出典: SynaXG/Aethertek Press Kit
• MilliBox ミリ波テストチャンバー: 2026年6月4日に公開された新しい写真では、ボストンで開催されたIMS 2026カンファレンスにおいて、6Gのサブテラヘルツ特性評価のための最新のフェーズドアレイ・テストセットアップが示されています。出典: Microwave Journal IMS 2026 Coverage

高周波エンジニアのためのAI・機械学習入門（GPU編29）Keras3(バックエンドはJax)を使って畳み込みニューラルネットワーク(CNN)で21次のLCバンドパスフィルタ（L,Cのパラメータ42個）のSパラメータの値から素子の値（L、C）を推定する。全パラメータ平均誤差1％台を切った。

前回はディープラーニング(DNN)で予測して42個のパラメータの平均誤差が1％前後と結構よかった。

今回はCNNをやってみよう。

コードはこんな感じで。

import os

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

import keras

import jax

import numpy as np

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'

data_label = np.load("21stagefilter.npz")

data = data_label["data"].reshape(-1,200,5,1)

label = data_label["label"]

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

scaler_y = StandardScaler()

y_train_f = scaler_y.fit_transform(y_train)

ord = 21

inputs = keras.Input(shape=(200, 5, 1))

x = keras.layers.Conv2D(64, kernel_size=(10, 2), activation="relu")(inputs)

x = keras.layers.Conv2D(64, kernel_size=(10, 4), activation="relu")(x)

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

outputs = keras.layers.Dense(ord * 2)(x)

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

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

batch_size = 64

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))

結果はこちら。

全パラメータで平均誤差1%を切っている。これは結構実用的では。次はRNN(LSTM）やってみる。

高周波・RFニュース 2026年6月4日 Qualcommが6Gウェビナー開催、Next G Allianceが5G ISACイニシアティブ立ち上げ、Keysightが新RFシグナルアナライザ発表、アンリツが5G LTM評価環境構築

・Qualcommが6Gウェビナー開催
https://pages.rcrtech.com/building-the-6g-standard-key-developments-to-know

・Next G Allianceが5G ISACイニシアティブ立ち上げ

Next G Alliance Sets the Innovation Inherent in 6G Integrated Sensing and Communication into Action with New ISAC Data Initiative

・Keysightが新RFシグナルアナライザ発表

Keysight Introduces RF Signal Analyzers to Accelerate Wideband Wireless Design and Validation 

・アンリツが5G LTM評価環境構築

アンリツ、5Gの低遅延・高信頼性を支える新技術の検証を支援

その他

BTL Laboratory becomes Taiwan’s first test house with a CTIA Certification compliant OTA test system by Rohde & Schwarz

STMicroelectronics high-performance vibration sensor with in-sensor AI offers a compelling alternative to piezosensor to fast-growing industrial condition-monitoring market

高周波エンジニアのためのAI・機械学習入門（GPU編28）Keras3(バックエンドはJax)を使ってディープラーニング(DNN)で21次のLCバンドパスフィルタ（L,Cのパラメータ42個）のSパラメータの値から素子の値（L、C）を推定する。全パラメータ平均誤差1％台になった。

先日は21次のチェビシェフ特性のバンドパスフィルタのデータをモンテカルロシミュレーションで10000個作った。

ではまず普通のディープラーニングで42パラメータを予測してみよう。

コードはこんな感じで。前回、LayerNormalizationを使うとよかったので今回も入れている。

import os

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

import keras

import jax

import numpy as np

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'

data_label = np.load("21stagefilter.npz")

data = data_label["data"]

label = data_label["label"]

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

scaler_y = StandardScaler()

y_train_f = scaler_y.fit_transform(y_train)

ord = 21

hidden_dim = 200

inputs = keras.Input(shape=(200, 5))

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(ord * 2)(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))

結果をグラフにするコードはこんな感じで。

row, column = 7, 6

legend = []

for i in range(ord):

    legend.append("L" + str(i+1))

    legend.append("C" + str(i+1))

fig, ax = plt.subplots(row, column, figsize=(15,16))

plt.rcParams["font.size"] = 8

for i in range(row):

    for j in range(column):

        count = column * i + j

        maxvalue = y_pred[:, count].max()

        ax[i,j].scatter(y_pred[:, count], y_test[:,count], c="r", s=5)

        ax[i,j].plot([0,maxvalue], [0,maxvalue], "--", c="black")

        ax[i,j].set_xlabel("推定した値")

        ax[i,j].set_ylabel("実際の値")

        ax[i,j].set_xlim(0, maxvalue)

        ax[i,j].set_ylim(0, maxvalue)

        ax[i,j].grid()

        ax[i,j].legend([legend[count] + f" 平均誤差{error.mean(axis=0)[count]:.2f}%"])

fig.tight_layout()

plt.show()

図示してみる。

これだけパラメータが増えても1％前後の平均誤差でなかなかよさそう。次はCNNをやってみよう。

高周波・RFニュース 2026年6月3日 BroadcomがブロードバンドエッジAIポートフォリオ発表、Marvellが102.4Tbpsスイッチ発表、Mini-CircuitsがLTCC・MMICフィルタのカスケード接続解説、ASUSのミニPCにSnapdragon X2 Elite、KeysightとNTTドコモ・NTTが6Gシミュレーション協業

・BroadcomがブロードバンドエッジAIポートフォリオ発表

Broadcom Connects the AI Edge with Comprehensive Multi-Gig Broadband and Wi-Fi 8 Innovations

・Marvellが102.4Tbpsスイッチ発表

Marvell Announces Availability of Industry’s First 102.4 Tbps Switch Purpose-Built for AI and Cloud Data Center Infrastructure

・Mini-CircuitsがLTCC・MMICフィルタのカスケード接続解説

Cascading LTCC and Reflectionless Filters to Tailor RFFE Performance

・ASUSのミニPCにSnapdragon X2 Elite

Snapdragon X2 Elite makes its mini-PC debut

その他

Keysight Advances Realistic Channel Modeling and Wireless Simulation for 6G in Collaboration with NTT DOCOMO and NTT

u-blox GNSS technology powers next-generation telescope array in search for extraterrestrial intelligence

Sivers & GlobalFoundries Advance AI Data Center Optical Solutions

高周波・RFニュース 2026年6月2日 QualcommがSnapdragon C発表＆6G解説記事、アンリツが140Gbaudバイアスティ内蔵 広帯域リニアアンプ発売、SONY Xperia 10 VII分解動画など

・QualcommがSnapdragon C発表＆6G解説記事

Introducing Snapdragon C: Designed to Revolutionize Entry-Tier Laptop Experiences

6G Foundry: Rewriting the mobile playbook for the AI era

・アンリツが140Gbaudバイアスティ内蔵 広帯域リニアアンプ発売

140Gbaudバイアスティ内蔵 広帯域リニアアンプの販売を開始

・SONY Xperia 10 VII分解動画
https://www.youtube.com/watch?v=9Dorb8_owv8

その他

Chipset Update May 2026

TDK、網膜投影技術によるスマートグラス向け光学エンジンの事業協力契約をQDレーザと締結

高周波エンジニアのためのAI・機械学習入門（GPU編27）21次のチェビシェフ特性のLCバンドパスフィルタ(42パラメータ)のSパラメータをモンテカルロシミュレーションで10000個作る。後ほどディープラーニングなどで予測する準備。

以前もLCバンドパスフィルタのLとCの値を予測する、というのをやっていたがその時は3次のフィルタ（LとCのパラメータ6個）だったのであまりありがたみがなかった。機械学習使わなくても何とでもなりそうなので。

もっと次数を増やして、他の方法では時間がかかりそうなものを機械学習でやったほうがよさそう。ということで今回は21次のチェビシェフ特性のバンドパスフィルタ（パラメータは42個。生命、宇宙、そして万物についての究極の疑問の答え=42なので）をやってみよう。

今回は前準備としてモンテカルロシミュレーションで中心周波数と帯域幅を振ったバンドパスフィルタのSパラメータデータを10000個作る。

コードはこんな感じで。

import numpy as np

import matplotlib.pyplot as plt

import skrf as rf

import filtersynth as fs

#周波数の設定

fstart = 0.1

fstop = 20

points = 200

#モンテカルロシミュレーションでは中心周波数と比帯域幅を乱数で振るが、それの最大最小

f0min = 2

f0max = 18

dfrmax = 0.2

dfrmin = 0.1

#フィルタデータ1つ分作る関数

def filter_data(n, f0, df, fstart, fstop, points):

    """

    Kerasで読めるような形でBPFの2ポートSパラメータとその合成に使うL,Cの値をそれぞれ

    1つ分のdata, labelとして出力する。具体的にはdataは(1, points, 5), labelは(1, 6)。

    dataが5なのは奇数次のLCフィルタはS11=S22、S21=S12かつ複素数データなので

    freq, S11real, S11imag, S21real, S21imagだから。Sパラメータは絶対値1なので規格化はせず

    周波数のみ最大周波数で割っている。

    """

    LC_elements = fs.LC_BPF(n, f0, df)

    label = LC_elements.reshape(n*2+4)[2:2*n+2].reshape(1, n*2)

    bpf_cir, bpf_network = fs.BPF_synthesis(n, f0, df, fstart, fstop, points)

    freq = bpf_network.f

    Spara = bpf_network.s

    data = np.array([freq[:]/fstop*1E-9,Spara[:,0, 0].real, Spara[:,0, 0].imag,

                     Spara[:,1, 0].real, Spara[:,1, 0].imag]).T.reshape(1, Spara.shape[0],5)

    return data, label

#モンテカルロシミュレーションでデータ作成して保存する。

N = 10000

odr = 21 #オーダー21のフィルタを作る。オーダーが大きいほど合成に使うLCの数が増えるので、予測する量も増える。

np.random.seed(1)

data = np.empty((0, points, 5))

label = np.empty((0, odr*2))

for i in range(N):

    f0 = f0min + (f0max - f0min) * np.random.rand()

    df = (dfrmin + (dfrmax - dfrmin) * np.random.rand()) * f0

    x, y = filter_data(odr, f0, df, fstart, fstop, points)

    data = np.vstack((data, x))

    label = np.vstack((label, y))

#予測する量（L,C)が小さすぎるのでnH, pF単位にする。

for j in range(odr*2):

    label[:, j] *= 1.0E9 if j % 2 == 0 else 1.0E12

#保存

np.savez_compressed("21stagefilter.npz", data=data, label=label)

できたデータの最初のほうをプロットしたもの。

次数が高いのでめちゃくちゃ減衰が急だな。ではこれを使って機械学習をしていく（続く）。

RF Weekly Digest (Gemini 3.1 Pro・Google AI Studio BuildによるAIで高周波・RF情報の週刊まとめアプリ）2026/5/24-5/31

RF WeeklyDigest

FREQ: 5G/6G/IOT // STATUS: ACTIVE

Weekly Intelligence Briefing

UPDATED: 16:36:44

INDUSTRY UPDATE

本エグゼクティブ・サマリーは、2026年5月24日から2026年5月31日までの期間における無線周波数（RF）技術の重要な進展を概説したものである。

NETWORK STD

5G/6G Advancements & Standards（5G/6Gの進展と標準化）

• 3GPP リリース20および6G研究: 2025年末のリリース19の正式なフリーズを受け、3GPPワーキンググループはリリース20への取り組みを加速させている。2026年5月31日現在、SA1グループは6Gのユースケースおよび主要業績評価指標（KPI）が80%完了したと報告している。初の6G規定技術仕様を含むリリース21については、2026年6月にタイムラインの合意が予定されている。
• Integrated Sensing and Communication (ISAC): 今週開催されたIMS 2026シンポジウムの主要な焦点は、ISACおよびAmbient IoTの進展であった。これらはRFの反射を利用してネットワークが物体を「視覚化」し「感知」することを可能にする技術であり、現在は6G無線インターフェースのコア研究項目となっている。
• NTN (非地上系ネットワーク): 衛星経由の5G-Advanced標準が安定し、今週SamsungおよびBroadcomから発表された新しいシリコンにおいて、NR-NTNとNB-NTNの統合が標準仕様となった。

NETWORK STD

New Hardware (Chips, Antennas, Modems)（新ハードウェア：チップ、アンテナ、モデム）

• Broadcom BroadPeak™ (BCM85021): 2026年5月27日に発表されたこの5nm集積無線デジタル・フロントエンド (DFE) SoCは、Massive MIMO向けの業界初となる「6G-ready」標準製品である。400 MHzから8.5 GHzまでのスケーラブルな範囲をサポートしており、特にn104バンド (6.425–7.125 GHz) および6G上位ミッドバンド (7–8.5 GHz) をターゲットとしている。
  
  • 主な統計: 消費電力を40%削減。32T32R8FB構成。DPD、キャリアアグリゲーション、および高速ADC/DACを統合。
• Skyworks & MediaTek 6G FR3 フロントエンド: MWC 2026（以前開催されたが今週詳細が判明）の更新レポートにより、SKYR60002 6G FR3 (6.4–7+ GHz) LNAパワーアンプモジュールが明らかになった。このモジュールは、初期の6G波形に求められる高い線形性のために設計された統合フィルタを備えている。
• Qorvo 広帯域高アイソレーション・スイッチ: 2026年5月29日に発表されたこの新しいスイッチファミリーは、マルチバンド5G無線におけるカスケード接続スイッチ・アーキテクチャを排除するように設計されており、複雑なRFフロントエンドにおけるPCBフットプリントと挿入損失を削減する。
• Qualcomm Snapdragon X90 モデム: Snapdragon 8 Elite Gen 6（2026年9月発売予定）に関する新たな技術リークにより、X90モデムがTSMCの2nmプロセスで製造されることが確認された。信号最適化のための高度なオンダイAIを搭載し、ピークダウンリンク速度15Gbpsを目指している。

HARDWARE ANALYSIS

Smartphone Teardowns: RF Analysis（スマートフォンの分解：RF分析）

• Samsung Galaxy S26 Ultra (iFixitによる分析): 先日発売されたS26 Ultraの詳細な分解調査が今週完了した。
  
  • RFアーキテクチャ: デバイスはネジで固定された高度にモジュール化されたUSB-C/RFサブアセンブリを採用しており、充電コンポーネントや下部アンテナ部品の交換が容易になっている。
  • 複雑性の問題: 「プライバシー・ディスプレイ」と画面下セルフィーカメラは筐体に強力に接着されており、画面側からのRFメンテナンスはリスクの高い作業となっている。
  • バッテリー: 接着剤なしでバッテリーを取り外すことができる、新しい「スワドル（包み込み）」プルタブ機構の採用が注目される。
• Apple iPhone 17 Pro Max (TechInsightsによる深掘り): 今週末に発表された分析は、2017年以来の主要なアーキテクチャ変更となるSTMicroelectronics製IRセンサーの再設計に焦点を当てている。
  
  • RF/センシングの統合: 分解により、FaceIDの信号忠実度を向上させる新しいフォトキャプチャ・アーキテクチャが明らかになった。
  • 熱設計: TechInsightsは、iPhoneで初となるベイパーチャンバーの採用を確認した。これは、高スループットの5G-AdvancedおよびAIタスク実行時におけるA19 Proチップの冷却に不可欠である。

CONNECTIVITY

IoT & Connectivity (Wi-Fi 8 & Bluetooth)（IoTとコネクティビティ：Wi-Fi 8およびBluetooth）

• Broadcom BCM677x Wi-Fi 8 エコシステム: 2026年5月27日、Broadcomはメッシュルーターおよびゲートウェイ向けに初の統合Wi-Fi 8 (IEEE 802.11bn) SoCのサンプル出荷を開始した。
  
  • 技術: 「Ultra High Reliability (UHR：超高信頼性)」に焦点を当てている。4096-QAMと320MHzチャネルを維持しつつ、高密度環境でのジッターとパケット損失を低減するための「協調型信頼性」機能が追加されている。
• TP-Link Archer 8 ロードマップ: TP-Linkは2026年5月28日にWi-Fi 8のロードマップを発表した。Archer 8ルーターは2026年10月に予定されており、Wi-Fi 7製品と比較して実効スループットが最大33%向上することを目指している。
• u-blox エッジAI Bluetooth LE: Nordic Semiconductorと共同開発された新しいモジュールが2026年5月29日に発売された。モジュール上でAIアクセラレーションを行うことでエッジ側でのデータ処理を可能にし、RF送信時間を短縮。これにより、産業用IoTのバッテリー寿命を大幅に延長する。

NETWORK STD

Illustrations & Diagrams（図表およびダイアグラム）

• Broadcom BroadPeak ブロック図: 5nm DFEとADC/DACブロックの統合を示すハイレベルな回路図。情報源: Broadcom Newsroom
• Samsung Galaxy S26 Ultra 内部レイアウト: モジュール式USB-Cおよびバッテリー・プルタブ・システムを示す写真シリーズ。情報源: iFixit / GSMArena
• Skyworks 6G FR3 モジュール・フットプリント: 統合フィルタの配置を示すSKYR60002の技術レンダリング。情報源: Semiconductor Today
• 3GPP リリース20 タイムライン・グラフィック: R19（フリーズ済）からR21（6G規定仕様）までの道のりを示す公式ビジュアル。情報源: 3GPP.org

高周波エンジニアのためのAI・機械学習入門（GPU編26）異常検知として、良品のみで学習して不良品を見つける畳み込みオートエンコーダー(Convolutional Autoencoder)をPythonとKerasでバンドパスフィルタを題材にやってみる。

前回はDNN系のオートエンコーダをやってみた。今回はCNN系のをやってみよう。

コードはこちら。

import os

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

import keras

import numpy as np

import matplotlib.pyplot as plt

from jax import config

config.update("jax_enable_x64", False)

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

data_label = np.load("G_NG.npz")

data = data_label["data"].reshape(-1,200,5,1)

label = data_label["label"]

# GとNGを分割

g_data = data[label[:, 0] == 1]

ng_data = data[label[:, 0] == 0]

# Convolutional Autoencoder

inputs = keras.Input(shape=(200, 5, 1))

x = keras.layers.Conv2D(64, kernel_size=(10, 2), activation="relu", padding="same")(inputs)

x = keras.layers.Conv2D(32, kernel_size=(10, 2), activation="relu", padding="same")(x)

x = keras.layers.Conv2D(16, kernel_size=(10, 2), activation="relu", padding="same")(x)

x = keras.layers.Conv2D(32, kernel_size=(10, 2), activation="relu", padding="same")(x)

x = keras.layers.Conv2D(64, kernel_size=(10, 2), activation="relu", padding="same")(x)

outputs = keras.layers.Conv2D(1, kernel_size=(10, 2), activation="linear", padding="same")(x)

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

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

model.summary()

# 学習

epochs = 1000

keras.utils.set_random_seed(1)

history = model.fit(

    g_data, g_data,

    batch_size=128,

    epochs=epochs,

    validation_split=0.15,

    verbose=1

)

# 予測

g_pred = model.predict(g_data)

ng_pred = model.predict(ng_data)

# MSEの計算

loss = keras.losses.MeanSquaredError(reduction = "none")

# GとNGのMSEを計算

ng_accuracy = loss(ng_data, ng_pred).mean(axis=1).mean(axis = 1)

g_accuracy = loss(g_data, g_pred).mean(axis=1).mean(axis = 1)[:ng_accuracy.shape[0]]

# MSEの分布の可視化

plt.figure(figsize=(10, 6))

plt.hist(np.log10(ng_accuracy), bins=50, alpha=0.5, label="NG")

plt.hist(np.log10(g_accuracy), bins=50, alpha=0.5, label="G")

plt.legend()

plt.xlabel("log10(MSE)")

plt.ylabel("Frequency")

plt.title("Distribution of MSE for G and NG")

plt.show()

良品で予測したときの誤差と、不良品で予測した時の誤差をヒストグラムにしたものが出てくる。

重なっている部分はあるものの、閾値を-6.42とかにすると不良品が検知できそうだ。なるほど。