可解释的人工智能用于使用SHAP和MLP的调制超表面天线设计
Amrollah Amini1, Ali Moshiri2, Mohammad Amin Chaychi Zadeh1
1School of Advanced Technologies, Iran University of Science and Technology, Tehran, 16846-13114, Iran.
Scientific reports
|July 5, 2025
概括
本研究介绍了一个可解释的AI框架,使用SHAP和MLP来预测天线辐射指标. 该方法通过识别关键特征来改进侧叶水平和光束宽度预测,从而增强了地表天线设计.
科学领域:
- 电磁学和应用物理学
- 人工智能和机器学习
背景情况:
- 基于超表面的漏电波天线对于现代电信,成像和雷达至关重要,因为它们的紧和高效的设计.
- 精确控制天线辐射指标,如侧叶水平 (SLL) 和半功率光束宽度 (HPBW),对于系统性能至关重要.
研究的目的:
- 开发一个可解释的人工智能 (AI) 框架,用于预测地表天线的关键辐射指标.
- 为了利用可解释的AI (XAI) 技术来进行特征工程和模型优化.
主要方法:
- 整合夏普利添加式扩展 (SHAP) 与多层感知子 (MLP) 进行特征重要性分析.
- 开发一个多任务神经网络,共同预测SLL和HPBW.
- 基于SHAP洞察力的特征工程,以提高预测准确度.
主要成果:
- SHAP分析确定了影响天线辐射的主导特征和相互作用.
- 多任务神经网络在SLL预测中实现了近乎完美的准确性.
- 在HPBW估计准确度上观察到显著的改善.
结论:
- 可解释的人工智能增强了对天线行为的理解,并指导了模型的改进.
- 拟议的框架为优化地层天线系统提供了一种可概括的方法.
- 可解释的人工智能集成导致天线设计中的卓越预测性能.
