Modellierung akustischer Wellenresonatoren und -filter mit künstlichen neuronalen Netzen (ANNs)

Beschreibung:

Diese Arbeit untersucht den Einsatz künstlicher neuronaler Netze (KNN) als Surrogatmodelle zur Simulation und zum Design von Hoch-Q piezoelektrischen akustischen Wellenresonatoren und -filtern. Traditionelle Modellierungsmethoden wie Finite-Elemente-Verfahren oder analytische Ansätze können rechenintensiv oder im Anwendungsbereich eingeschränkt sein. KNN bieten eine datengetriebene Alternative, die komplexe elektroakustische Verhaltensweisen aus Simulations- oder experimentellen Daten erlernen können und dadurch schnelle und präzise Vorhersagen ermöglichen. Ziel der Arbeit ist die Entwicklung und Validierung von KNN-basierten Modellen, die Aufgaben im RF- und Mikrowellendesign unterstützen können, insbesondere im Kontext hochleistungsfähiger akustischer Komponenten.

Ziele der Arbeit:

Das Ziel dieser Arbeit ist es, die Wirksamkeit künstlicher neuronaler Netze bei der Modellierung des Verhaltens von akustischen Wellenresonatoren und -filtern zu untersuchen und zu demonstrieren. Abhängig von persönlichen Interessen, Vorkenntnissen und den ECTS-Anforderungen des Studiengangs wird die Aufgabe individuell angepasst.

Forschungsfragen (mögliche Fragestellungen):

• Wie genau können KNN das elektroakustische Verhalten von Hoch-Q piezoelektrischen Resonatoren und Filtern modellieren?
• Welche Vorteile und Grenzen hat die KNN-basierte Modellierung im Vergleich zu traditionellen numerischen oder analytischen Methoden?
• Wie können KNN-Modelle in RF-/Mikrowellendesignprozesse integriert werden?
• Welche Arten neuronaler Netzwerkarchitekturen eignen sich am besten zur Modellierung akustischer Wellenbauelemente?
• Wie beeinflussen Qualität und Quantität der Trainingsdaten die Modellleistung?

Themen:

Die Arbeit kann unter anderem folgende Komponenten beinhalten:

• Erstellung eines Datensatzes aus Simulationen oder Messungen von akustischen Wellenbauelementen
• Entwurf und Training von neuronalen Netzwerkarchitekturen zur Nachbildung des Geräteverhaltens
• Validierung der Modellgenauigkeit und Generalisierungsfähigkeit
• Vergleich der KNN-Leistung mit konventionellen Modellierungsmethoden
• Untersuchung der Integration von KNN-Modellen in Design-Workflows für RF-/Mikrowellensysteme

Vorausgesetzte Kenntnisse (mitzubringen):

• Grundkenntnisse in Elektronik und Schaltungsentwicklung
• Interesse an Hochfrequenztechnik, Medizintechnik und analogem Schaltungsdesign
• Bereitschaft, sich in moderne Tools wie ADS einzuarbeiten

Von Vorteil (aber nicht zwingend erforderlich):

Erste Erfahrungen im RF-Design