Computational Efficiency Enhancement in Electromagnetic Systems : Quantum Annealing for Design Optimization and Deep Learning for Measurement Verification
- 발행기관 서강대학교 일반대학원
- 지도교수 김영욱
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000082530
- UCI I804:11029-000000082530
- 본문언어 영어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
This study addresses computational efficiency challenges in two critical stages of electromagnetic system development: design optimization and measurement verification. In the design stage, frequency diverse array (FDA) beampattern optimization is achieved using quantum annealing (QA), which reduces computation time by approximately three times compared to particle swarm optimization (PSO) while maintaining similar cost values. The continuous frequency offset variables are binarized and transformed into quadratic unconstrained binary optimization (QUBO) form using factorization machine (FM), enabling solution by D-Wave's quantum annealer. In the measurement stage, a Residual U-Net based deep learning model is proposed to predict far-field (FF) radiation patterns directly from near-field (NF) measurements. The model demonstrates robust performance even when the measurement area is reduced to 50%, significantly decreasing both measurement time and spatial requirements compared to conventional NF-to-FF transformation methods. The proposed approaches were validated through comprehensive experiments. For FDA optimization, QA achieved cost values of 34.387 (Direct QPU) and 34.466 (Hybrid solver) compared to 35.352 for PSO, with total computation times of 30.440 seconds and 32.748 seconds respectively, versus 92.848 seconds for PSO. For NF-FF transformation, the Residual U-Net model successfully predicted accurate far-field patterns for horn, symmetric parabolic, and offset parabolic antennas across multiple frequencies. When tested with measured data from the Korea Radio Promotion Association (RAPA), the model accurately reconstructed main lobe and sidelobe characteristics for a 15 dBi horn antenna. These results demonstrate that quantum computing and deep learning can effectively address computational bottlenecks across the entire electromagnetic system development cycle. The QA approach shows potential for handling continuous variable optimization problems with wide ranges and complex cost functions, while the deep learning model enables practical antenna characterization under spatially constrained measurement conditions. This integrated methodology provides a foundation for rapid, cost-effective electromagnetic system design and verification.
more초록(요약문)
본 연구는 전자파 시스템 개발의 두 핵심 단계인 설계 최적화와 측정 검증에서 발생하는 계산 효율성 문제를 해결한다. 설계 단계에서는 양자 어닐링(QA)을 사용하여 주파수 다변 배열(FDA) 빔 패턴 최적화를 수행하였으며, 입자 군집 최적화(PSO)와 유사한 비용 함수 값을 유지하면서 계산 시간을 약 3배 단축하였다. 연속 변수인 주파수 오프셋을 이진화하고 팩터화 머신(FM)을 사용하여 이차 제약 없는 이진 최적화(QUBO) 형태로 변환함으로써 D-Wave 양자 어닐러를 통한 문제 해결이 가능하였다. 측정 단계에서는 Residual U-Net 기반 딥러닝 모델을 제안하여 근거리장(NF) 측정으로부터 직접 원거리장(FF) 복사 패턴을 예측하였다. 제안된 모델은 측정 영역이 50%로 축소된 경우에도 강건한 성능을 보였으며, 기존 근-원거리장 변환 방법 대비 측정 시간과 공간적 요구사항을 크게 감소시켰다. 제안된 접근법 결과는 다음과 같다. FDA 최적화의 경우, 양자 어닐링은 Direct QPU에서 34.387, Hybrid solver에서 34.466의 비용 함수 값을 달성하였으며, 이는 PSO의 35.352와 유사한 수준이다. 계산 시간은 각각 30.440초와 32.748초로 PSO의 92.848초 대비 약 3배 빠른 성능을 보였다. 근-원거리장 변환의 경우, Residual U-Net 모델은 여러 주파수에서 혼 안테나, 파라볼라 안테나, 오프셋 파라볼라 안테나에 대해 정확한 원거리장 패턴 예측에 성공하였다. 한국전파진흥협회(RAPA)에서 측정된 데이터로 검증한 결과, 15 dBi 혼 안테나의 주엽과 부엽 특성을 정확하게 재구성하였다. 이러한 결과는 양자 컴퓨팅과 딥러닝이 전자파 시스템 개발 전주기에 걸친 계산 병목 현상을 효과적으로 해결할 수 있음을 보여준다. 양자 어닐링 접근법은 넓은 범위와 복잡한 비용 함수를 가진 연속 변수 최적화 문제 해결 가능성을 제시하며, 딥러닝 모델은 공간적으로 제한된 측정 환경에서 실용적인 안테나 특성 분석을 가능하게 한다. 이러한 통합 방법론은 신속하고 비용 효율적인 전자파 시스템 설계 및 검증을 위한 기반을 제공한다.
more목차
1. Introduction 1
1.1. Research Background and Motivation 1
1.2. Research Objectives and Scope 3
1.3. Thesis Organization 4
2. Beampattern Optimization of Frequency Diverse Array Using Quantum Annealing 6
2.1. Introduction 6
2.2. Signal Model and Beampatterns of FDA 11
2.2.1. FDA Signal Model 11
2.2.2. Traditional FDA Beampattern 13
2.3. Beampattern Optimization using Quantum Annealing 16
2.3.1. Quantum Annealing 17
2.3.2. Quadratic Unconstrained Binary Optimization 19
2.3.3. Optimization Results 24
2.3.4. Frequency Offset Optimization using PSO 29
2.4. Conclusion 33
3. U-Net Based Near-to-Far-Field Transformation Under Limited Near-Field Measurement Area 35
3.1. Introduction 35
3.2. Dataset 36
3.2.1. Simulation Dataset 36
3.2.2. Measured Dataset 39
3.3. Previous Work 40
3.4. Proposed Method 41
3.5. Performance Evaluation 43
3.6. Conclusion 48
Bibliography 49
Abstract (In Korean) 53
