Vector graphics methods for designing electromagnetic structures, and components, apparatuses, and systems employing the same

Abstract

A computerized method has the step of: determining a shape of an electromagnetic structure for optimizing one or more performance measures of the electromagnetic structure. Said determining the shape of the electromagnetic structure has the step of: determining locations of a plurality of vertices of the shape of the electromagnetic structure for optimizing the one or more performance measures of the electromagnetic structure. In some implementations, the computerized method further has the step of fabricating the electromagnetic structure having the shape defined by the plurality of vertices at the determined locations thereof.

Description

VECTOR GRAPHICS METHODS FOR DESIGNING ELECTROMAGNETIC STRUCTURES, AND COMPONENTS, APPARATUSES, AND SYSTEMS EMPLOYING THE SAMETECHNICAL FIELD

[0001] The present disclosure relates generally to electromagnetic structures, and in particular to vector graphics methods for designing electromagnetic structures using artificial intelligence, and components, apparatuses, and systems employing electromagnetic structures designed and fabricated using same.BACKGROUND

[0002] Shapes of electromagnetic structures such as electromagnetic shapes of conductors or conductive components (such as filters, resonators and radiating elements (for example, antennas) ) are important factors for the performance of the components as well as the devices and systems using such components. However, it is seen that methods for designing and optimizing such components are often complicated, and the electromagnetic shapes are often limited to regular geometric shapes, which may restrict the performance of the component.

[0003] Therefore, there is a desire of a method for designing and optimizing shapes of various electromagnetic structures.SUMMARY

[0004] According to one aspect of this disclosure, there is provided a computerized method comprising: determining a shape of an electromagnetic structure for optimizing one or more performance measures of the electromagnetic structure; said determining the shape of the electromagnetic structure comprises: determining locations of a plurality of vertices of the shape of the electromagnetic structure for optimizing the one or more performance measures of the electromagnetic structure.

[0005] In some implementations, the computerized method further comprises: fabricating the electromagnetic structure having the shape defined by the plurality of vertices at the determined locations thereof.

[0006] In some implementations, the locations of the plurality of vertices are on a two-dimensional (2D) plane.

[0007] In some implementations, each vertex of the plurality of vertices has a distance r to an origin of a coordinate system and an angle θ being an angle of a line between the vertex and the origin with respect to a reference axis; and said determining the shape of the electromagnetic structure comprises: determining the distances r of the plurality of vertices of the shape of the electromagnetic structure for optimizing the one or more performance measures of the electromagnetic structure.

[0008] In some implementations, the distance r of each vertex of the plurality of vertices is determined within an upper boundary and a lower boundary.

[0009] In some implementations, the distance r of each vertex of the plurality of vertices is selected from a plurality of candidate values within an upper boundary and a lower boundary.

[0010] In some implementations, the distance r of each vertex of the plurality of vertices is selected from a plurality of candidate values.

[0011] In some implementations, each vertex of the plurality of vertices is represented as a coordinate pair in a polar coordinate system or a Cartesian coordinate system.

[0012] In some implementations, said determining the shape of the electromagnetic structure comprises: determining the locations of the plurality of vertices of the shape of the electromagnetic structure and a location of a feed point of the electromagnetic structure for optimizing the one or more performance measures of the electromagnetic structure.

[0013] In some implementations, the location of the feed point is represented as a coordinate pair in a polar coordinate system or a Cartesian coordinate system.

[0014] In some implementations, said determining the shape of the electromagnetic structure comprises: determining the locations of the plurality of vertices of the shape of the electromagnetic structure using an artificial intelligence (AI) model for optimizing the one or more performance measures of the electromagnetic structure.

[0015] In some implementations, the AI model is a machine-learning model.

[0016] In some implementations, the AI model comprises a convolutional neural network (CNN) model.

[0017] In some implementations, the AI model receives a value of a frequency as a parameter for optimizing the one or more performance measures of the electromagnetic structure.

[0018] In some implementations, the one or more performance measures of the electromagnetic structure comprises one or more scattering parameters of the electromagnetic structure.

[0019] In some implementations, the one or more performance measures of the electromagnetic structure comprises a return loss parameter S11 of the electromagnetic structure.

[0020] In some implementations, said determining the locations of the plurality of vertices of the shape of the electromagnetic structure using the AI model comprises: determining the locations of the plurality of vertices of the shape of the electromagnetic structure using the AI and a genetic algorithm for optimizing the one or more performance measures of the electromagnetic structure.

[0021] In some implementations, said determining the shape of the electromagnetic structure comprises: simulating the electromagnetic structure having the shape defined by the plurality of vertices; and comparing results of said simulation with the one or more performance measures for optimization verification.

[0022] In some implementations, the computerized method further comprises: selecting the locations of the plurality of vertices; and simulating the electromagnetic structure having the shape defined by the plurality of vertices at the locations selected by the computational software; and collecting the selected locations and results of said simulation as data for training the AI model.

[0023] In some implementations, selecting the locations of the plurality of vertices is performed by a computational software; and said simulating the electromagnetic structure is performed by a full-wave electromagnetic simulation software.

[0024] In some implementations, said simulating the electromagnetic structure is performed by a full-wave electromagnetic simulation software under an instruction of the computational software sent to the full-wave electromagnetic simulation software via an application programming interface (API) .

[0025] In some implementations, the computerized method further comprises: arranging said data into a plurality of channels for inputting into the AI model; partitioning said data into a training dataset, a validation data set, and a testing dataset; training the AI model using the training dataset, the validation data set, and the testing dataset.

[0026] In some implementations, the electromagnetic structure is at least a portion of an antenna.

[0027] In some implementations, the computerized method further comprises: repeating said determining the shape of the electromagnetic structure for a plurality of times to obtain a plurality of shapes of the electromagnetic structure; and selecting one of the plurality of shapes of the electromagnetic structure based on one or more requirements of a use case.

[0028] According to one aspect of this disclosure, there is provided an electromagnetic structure having a shape determined by the above-described computerized method.

[0029] According to one aspect of this disclosure, there is provided a component comprising an electromagnetic structure, the electromagnetic structure having a shape determined by the above-described computerized method.

[0030] In some implementations, the component is an antenna.

[0031] According to one aspect of this disclosure, there is provided an apparatus comprising an electromagnetic structure, the electromagnetic structure having a shape determined by the above-described computerized method.

[0032] According to one aspect of this disclosure, there is provided one or more apparatuses comprising: one or more non-transitory computer-readable storage media; and one or more processors functionally coupled to the one or more non-transitory computer-readable storage media; the one or more non-transitory computer-readable storage media comprising computer-executable instructions; and the instructions, when executed, cause one or more circuits to perform the above-described computerized method.

[0033] According to one aspect of this disclosure, there is provided one or more non-transitory computer-readable storage media comprising computer-executable instructions, wherein the instructions, when executed, cause one or more circuits such as one or more processors to perform the above-described computerized method.

[0034] According to one aspect of this disclosure, there is provided one or more program products configured for causing one or more processors to perform the above-described computerized method.

[0035] Thus, the methods disclosed herein provide a technical solution for above-described technical problems, and provide at least some of the following technical benefits:

[0036] · providing an easy-to-use method for electromagnetic structure design and / or fabrication without the need of complicated template-based EM structures.

[0037] · providing a unified technique that can define any geometric shape in terms of certain variables.

[0038] · providing a technique to achieve various design goals from a target EM structure.BRIEF DESCRIPTION OF THE DRAWINGS

[0039] For a more complete understanding of the disclosure, reference is made to the following description and accompanying drawings, in which:

[0040] FIGS. 1A to 1I are schematic diagrams showing some examples of some shapes of electromagnetic structures;

[0041] FIGS. 2A to 2F are schematic diagrams showing some examples of polygons for representing various shapes of electromagnetic structures, according to some implementations of this disclosure;

[0042] FIG. 3 is a schematic diagram showing the formation of a shape polygon of an electromagnetic structure using a plurality of vertices, according to some implementations of this disclosure;

[0043] FIG. 4 is a schematic diagram showing the optimization of a shape polygon of an electromagnetic structure using a vector graphics method, according to some implementations of this disclosure;

[0044] FIG. 5 is a schematic diagram showing an example of the optimization of a shape polygon of an electromagnetic structure using the vector graphics method, according to some implementations of this disclosure, wherein the vertices are arranged in a coordinate system, the angle of each vertex is predefined or preconfigure, and the distance between the vertex and the origin of the coordinate system is variable for optimization;

[0045] FIG. 6 is a schematic diagram showing the shape formed by the vertices shown in FIG. 5;

[0046] FIG. 7 is a schematic diagram showing an example of the optimization of a shape polygon of an electromagnetic structure using the vector graphics method, according to some implementations of this disclosure, wherein the vertices are arranged in a coordinate system, the angle of each vertex is predefined or preconfigure, and the distance between the vertex and the origin of the coordinate system is variable for optimization within a predefined or preconfigured upper boundary and a predefined or preconfigured lower boundary;

[0047] FIG. 8 is a schematic diagram showing an example of the optimization of a shape polygon of an electromagnetic structure using the vector graphics method, according to some implementations of this disclosure, wherein the vertices are arranged in a coordinate system, the angle of each vertex is predefined or preconfigure, and the distance between the vertex and the origin of the coordinate system is selectable from a plurality of candidate values within a predefined or preconfigured upper boundary and a predefined or preconfigured lower boundary;

[0048] FIG. 9 is a schematic diagram showing the structure of a convolutional neural network (CNN) model used by the vector graphics method for optimizing the shape of an electromagnetic structure, according to some implementations of this disclosure;

[0049] FIGS. 10A and 10B show a flowchart illustrating the workflow for designing an electromagnetic structure using the vector graphics method, according to some implementations of this disclosure;

[0050] FIG. 11 is a flowchart showing the details of the simulation step 218, according to some implementations of this disclosure;

[0051] FIG. 12 is a schematic diagram showing an example of a patch antenna whose electromagnetic shape is to be optimized;

[0052] FIG. 13 is a schematic diagram showing the patch antenna design process for designing the patch antenna shown in FIG. 12 using the vector graphics method, according to some implementations of this disclosure;

[0053] FIG. 14 is a schematic diagram showing the structure of a CNN model used by the vector graphics method for optimizing the shape of the patch antenna shown in FIG. 12, according to some implementations of this disclosure;

[0054] FIG. 15 is a plot showing the epoch vs the mean square error (MSE) of the developed model of the patch antenna shown in FIG. 12 for training and validation;

[0055] FIGS. 16A to 16D are plots showing examples of the optimized patch antennas, wherein

[0056] FIG. 16A shows an optimized patch antenna for a wideband of 4 gigahertz (GHz) to 8 GHz,

[0057] FIG. 16B shows an optimized patch antenna for a dual-band of 4 GHz to 8 GHz, and

[0058] FIGS. 16C and 16D show two optimized patch antennas for a dual-band of 2 GHz to 4 GHz;

[0059] FIGS. 17A to 17D are plots showing the S11 parameters of the designed antennas shown in FIGS. 16A to 16D, respectively;

[0060] FIGS. 18A to 18G are plots showing the far-field radiation patterns at center frequencies of the operating bands for the designed antennas shown in FIGS. 16A to 16D, wherein

[0061] FIG. 18A shows the far-field radiation pattern at a center frequency of 6 GHz in the wideband of four (4) GHz to eight (8) GHz for the designed antenna shown in FIG. 16A,

[0062] FIGS. 18B and 18C show the far-field radiation patterns at the center frequencies of 5.25 GHz and 7 GHz in the dual-band of 4 GHz to 8 GHz for the designed antenna shown in FIG. 16B,

[0063] FIGS. 18D and 18E show the far-field radiation patterns at the center frequencies of 2.27 GHz and 3.12 GHz in the dual-band of 2 GHz to 4 GHz for the designed antenna shown in FIG. 16C, and

[0064] FIGS. 18F and 18G show the far-field radiation patterns at the center frequencies of 2.5 GHz and 3.12 GHz in the dual-band of 2 GHz to 4 GHz for the designed antenna shown in FIG. 16D;

[0065] FIG. 19 is a schematic diagram showing a simplified hardware structure of a computing device for designing and / or fabricating an electromagnetic structure using the vector graphics method, according to some implementations of this disclosure; and

[0066] FIG. 20 is a schematic diagram showing a simplified software architecture of the computing device shown in FIG. 19.DETAILED DESCRIPTION

[0067] Implementations herein are related to vector graphics methods for designing electromagnetic structures using artificial intelligence (AI) such as deep learning, and components, apparatuses, and systems employing electromagnetic structures designed and fabricated using same.

[0068] Electromagnetic (EM) structures are conductors and / or electromagnetically conductive components (such as filters, resonators and radiating elements (for example, antennas) ) used in circuits for their designed purposes such as signal filtering, signal resonating, signal transmission, signal receiving, and / or the like. The electromagnetic structures may be, for example, in the form of etched conductive strips of specific shapes on a printed circuit board (PCB) . In some implementations, the term “shape” refers to the electromagnetic shape of an electromagnetic structure.

[0069] Shapes of electromagnetic structures leverage patch shapes mainly for its ease of fabrication, ease of integration, and low cost. FIGS. 1A to 1I show some examples of the patch shapes that are used in some scenarios, including a square shape (FIG. 1A) , a rectangular shape (FIG. 1B) , a thin strip (also called “dipole” ) (FIG. 1C) , a circular shape (FIG. 1D) , an elliptical shape (FIG. 1E) , a triangular shape (FIG. 1F) , a disc sector shape (FIG. 1G) , a circular ring shape (FIG. 1H) , and a ring sector shape (FIG. 1I) , wherein among these shapes, square, rectangular, dipole, and circular shapes are the most commonly used ones, for example, because of ease of analysis and fabrication, and their attractive radiation characteristics. The sizes (for example, the lengths) of these patch shapes are dependent on free-space electromagnetic wavelength.

[0070] In some scenarios, the regular geometric patch shapes may be used as templates for designing patch shapes. However, the template-based patch shape designs may have various limitations that may restrict the performance of the component, such as:

[0071] · The fundamental mode may dominate over the other modes.

[0072] · It may be hard to suppress the fundamental mode even if the application requires.

[0073] · To take advantage of various higher order modes, complex designing techniques may be implemented (for example: slotted patch, defected ground surface, multilayer strategy, and / or the like) .

[0074] · The design variable related to the regular patch shape may be limited to length / width / radius.

[0075] Although the regular geometric patch shapes have certain advantages, they also have drawbacks in various applications such as:

[0076] · Higher order harmonics may excite higher order modes (field configuration) that may degrade the transmission quality of signal and / or may introduce interferences in the operating band of interest.

[0077] · EM patch size (for example, length of the patch) is inversely proportional to the operating frequency. Physical circuit dimension may be smaller than optimum prototyping size for high frequency application while considering the fundamental frequency only.

[0078] · Complex engineering may be necessary and / or desired for multiband and / or wideband application. Such complex ideas may include perturbing slots into the patch, perturbing the ground (such as defected ground surface) , and / or the like.

[0079] Various implementations of this disclosure and / or of the vector graphics methods for designing electromagnetic structures are disclosed. In some implementations, vector graphics method represents the shape of an electromagnetic structure as a polygon having a plurality of vertices on a two-dimensional (2D) plane. For example, FIGS. 2A to 2F show some examples of polygons for representing various shapes of electromagnetic structures 100. Each polygon or shape of the electromagnetic structure 100 may comprise a plurality of vertices 102. As shown in the example of FIG. 2F, a curved shape such as a circular shape of the electromagnetic structure 100 may be approximated using a polygon with a sufficient number of vertices 102 for achieving sufficient accuracy (with respect to the design needs) .

[0080] As shown in FIG. 3, with such a polygon representation, each side 104 of the shape (also identified using reference numeral 100) may be represented as a vector between the two neighboring vertices 102 on opposite ends of the side 104. As shown in FIG. 4, the vector graphics methods may optimize the shape 100 to achieve one or more performance goals for the corresponding electromagnetic structure, for example, by moving (as indicated by arrows 106) and optimizing the location (also called “position” ) of vertices 102 of the shape 100 on a plane 110. In the optimization, the vertices 102 may be represented in a Cartesian coordinate system (as shown in FIG. 4, wherein each vertex is expressed as a (x, y) pair, that is, the distances of the vertex to a pair of perpendicular axes) and / or in a polar coordinate system (wherein each vertex is expressed as a (r, θ) pair, that is, r is the distance of the vertex to the origin and θ is the angle of the vertex-origin line with respect to a reference line) . In some implementations, the optimization may be performed under one or more conditions, limitations, or restrictions (described in more detail later) .

[0081] By using the above-described vector graphics, randomness in the shape of patch may be explored, which may offer a variety of benefits such as the ability to reduce unwanted (fundamental or higher) modes while also optimizing performance for specific desired modes required for certain applications. For example, random shapes (that is, shapes obtained through the introduction of randomness) may contribute to a variety of applications such as multiband and wideband applications.

[0082] In some implementations as shown in FIGS. 5 and 6, the vector graphics method may use a predefined or preconfigured number of vertices 102 for optimizing the shape 100 of the electromagnetic structure. In these implementations, the vertices may be represented using the polar coordinate system, and each vertex may be expressed as a (r, θ) pair, where r >0 is the distance between the vertex 102 and the origin O of the polar coordinate system, and θ (0 ≤ θ < 360°) is the angle between the vertex 102 (or more specifically, the axis 120 from the origin O to the vertex 102) and a reference axis 120A.

[0083] In some implementations, the angle θ of each vertex may be predefined or predetermined, and accordingly, the angle α between each pair of neighboring vertices (with respect to the origin O) may also be predefined or predetermined. The position / location of each vertex 102 may be “movable” along the axis 120 (indicated by the arrow 122) . Accordingly, the shape 100 of the electromagnetic structure may be changeable (see FIG. 6) .

[0084] In some implementations, the distance r of each vertex 102 may be a variable for optimization. In other words, the vector graphics method may move each vertex 102 along the respective axis 120 to find a location / position thereof that may give rise to a shape 100 of the electromagnetic structure with one or more optimized performance measures (for example, achieving or close to one or more performance goals) .

[0085] In the example shown in FIGS. 5 and 6, the vector graphics method uses eight (8) angularly uniformly distributed vertices 102, marked as A, B, C, D, E, F, G and H, with the angle α = 45° between each pair of neighboring vertices. Location / Position of each vertex may be movable along the respective axis 120. For example, vertex A may be movable along axis 120A (that is, OX) , vertex B may be movable along axis OM, vertex E may be movable along axis OX', and vertex F may be movable along axis OM'.

[0086] The eight vertices 102 may then determines the shape 100 of a patch (for example, metallic patch) having eight (8) sides 104 in the form of eight (8) vectors AB, BC, CD, DE, EF, FG and GH. The vector graphics method may move the eight (8) vertices 102 along their respective axes 120 to find an optimized patch shape 100 with one or more optimized performance measures.

[0087] In some implementations as shown in FIG. 7, an upper boundary 124 and a lower boundary 126 may be defined for the distance r of each vertex 102 according to the desired frequency range of operation. In other words, the vector graphics method may move each vertex 102 along the respective axis 120 within its upper and lower boundaries 124 and 126 to find a location thereof that may give rise to a shape 100 of the electromagnetic structure with one or more optimized performance measures. In the example shown in FIG. 7, each of the upper and lower boundaries 124 and 126 for the vertices 102 form a rectangular shape. In other implementations, other shapes of upper and lower boundaries 124 and 126 may be used, based on, for example, the fundamental frequency range.

[0088] In some implementations as shown in FIG. 8, the distance r of each vertex may be selected from a plurality of candidate values (represented as candidate locations 128 along the respective axis) between the upper and lower boundaries 124 and 126, for optimization.

[0089] In some implementations, the location of the feed point may also be considered as an optimization variable. In some implementations, an “optimization variable” refers to a variable whose value can be varied, determined, or otherwise optimized for optimizing one or more performance measures of the electromagnetic structure 100. In some implementations, an “optimization parameter” refers to a parameter whose value can be used but may not be changed during the optimization process. An optimization parameter sometimes may also be called a “variable” although its value may not be changed during the optimization process.

[0090] In some implementations, the vector graphics method may use an AI model to optimize the shape of an electromagnetic structure 100. Any suitable AI model such as a deep learning or machine learning model may be used for electromagnetic shape optimization.

[0091] For example, in some implementations, the vector graphics method may use a convolutional neural network (CNN) model, for example, to replace the computationally expensive EM model and may conduct above-described shape optimization. As those skilled in the art will appreciate, CNN has a great potential to imitate the electromagnetic behavior of any given structures. As shown in FIG. 9, the CNN model 140 receives a plurality of input channels 142, which may comprise one or more of patch information, feed information, substrate information, frequency parameters, and / or the like (for example, geometric variables such as the locations of the vertices 102 of the patch 100, location of the feed point, substrate details, frequency parameters, and / or the like) .

[0092] The input channels 142 are concatenated (144) and then processed by a plurality of convolutional layers 146 for feature extraction 148. The extracted features are flattened (150) and then processed by a plurality of dense layers 152 for classification 154 to generate one or more EM performance measures such as the S-parameters (for example, the real and imaginary parts of one or more S-parameters) of the patch 100 as outputs 156.

[0093] In some implementations, with the CNN model 140, the vector graphics method may use the genetic algorithm (GA) to optimize the electromagnetic shape 100 for achieving the desired circuit performance.

[0094] FIGS. 10A and 10B show a flowchart illustrating an example of the workflow 200 for designing an electromagnetic structure 100 using the vector graphics method.

[0095] As shown, the workflow 200 may comprise three stages, including a data generation stage 202 (having steps 212 to 220) , a CNN model development stage 204 (having steps 222 to 228) , and an optimization implementation stage 206 (having steps 232 to 238) .

[0096] In some implementations, the data generation stage 202 may use a full-wave electromagnetic simulation software (also denoted an “EM software” ) such as CST Studio  offered by Dassault Systèmes of Vélizy-Villacoublay, France, to develop the electromagnetic model of an electromagnetic structure with necessary and / or desired variables and upper and lower boundaries thereof, so as to provide data for training the CNN model 140. It is understood that, in other implementations, other similar software may be used. In some implementations, the data generation stage 202 may employ an automatic data collection process, which may use a computational software such as Python to automatically prepare various value combinations of the variables related to the electromagnetic structure (for example, geometric variables such as the locations of the vertices 102 of the patch 100, location of the feed point, substrate details, frequency parameters, and / or the like) , and automatically send the prepared value combinations of the variables and the desired distribution thereof to the EM software to allow the EM software to perform simulations. The simulation results may then be sent from the EM software to the computational software, which may be combined with the corresponding value combinations of the variables for use as a training data for training the CNN model in the CNN model development stage 204. The trained CNN model may then be used in the optimization implementation stage 206 for designing electromagnetic structures.

[0097] In some implementations, in the data generation stage 202, an application programming interface (API) between computational software and EM software may first be developed (step 212) . In some implementations, the computational software may be used for performing the vector graphics method for optimizing the shape of the electromagnetic structure, and the EM software may be used for generating and simulating the electromagnetic structure with the shape produced from the computational software.

[0098] At step 214, the primary structure in EM software may be designed with all the variables declared. At step 216, the computational software may be set up with desired variables’ distribution and total EM simulations (step 216) . Then, the EM model simulation may be executed through the API developed at step 202 for all the desired combinations of various variables (step 218) and the geometric variables used in the simulation may be collected (step 220) as input data for the CNN model 140 (to be used at step 222 for training the CNN model 140) and the performance parameters may be collected as output data for the CNN model 140 (to be used at step 222 for training the CNN model 140) .

[0099] FIG. 11 is a flowchart showing the details of the simulation step 218. As shown, the computational software 302 (such Python, MATLAB, or the like) may set the upper and lower boundaries of the variables according to the optimization boundary of the shapes against fundamental mode (step 312) and may create variable parameters’ combination based on their sampling criteria and total number of desired EM simulations (step 314) . Then, the computational software 302 may write the combinations of variable parameters (for example, including one or more of: parameters of substrate, frequency, feed point, and / or the like, as required) for all the simulations into a data file of desired format (step 316) , which may be used as the input data 320 for the CNN model 140. The computational software 302 may then invoke the EM software 304 for performing simulations.

[0100] The EM software 304 may determine the total number of vertices 102 for the patch 100 (step 332) , and may set up same number of straight lines in the full-wave EM simulation software starting from origin of a local coordinate system (step 334) , which may fix the angle θ of each vertex and may allow the distance r thereof to vary for optimization. At step 336, the EM software 304 may form a polygon connecting all vertices 102 of those straight lines. Then, the EM software 304 may declare the distance r of all vertices 102 as independent variables (step 338) , may set up a desired solver (for example, the EM software such as HFSS / CST) with specifications of the designer’s choice (340) , and may simulate the model (step 342) . In the simulation, the EM software 304 may calculate all the performance parameters (for example, the scattering parameters (that is, the S parameters) ) (step 344) .

[0101] After simulation, the EM model may be closed (step 362) and the performance parameters for all the simulations may be written into a data CNN file of desired format (step 364) , which may be used in the CNN model training as the CNN outputs 380 corresponding to the CNN inputs 320.

[0102] Referring back to FIG. 10A, in the CNN model development stage 204, the input data collected at step 220 may be rearranged and may be provided to the CNN model via different input channels for CNN training according to their similarity (step 222) , wherein the input data may be partitioned into training data sets, validation data sets, testing data sets, or a combination thereof (step 224) , and the values of various CNN parameters such as the number of convolution layers, the number of kernel size, the number of epochs, the number of batch size, the number of activations, and / or the like may be decided (step 226) . After the settings at steps 222 to 226 are completed, different CNN models may be trained and the most accurate one may be selected (step 228) .

[0103] As shown in FIG. 10B, in the optimizer implementation stage 206, a cost function may be defined according to the desired circuit performance (step 232) , and a suitable optimization algorithm may be selected according to the nature of the target problem (step 234) . At step 236, the trained CNN model 140 may be used to obtain the optimized variables by minimizing the defined cost function value. At step 238, the optimized variables may be tested by applying them in the EM model. The electromagnetic structure 100 with an optimized shape may then be designed, and then may be sent to a manufacturing apparatus for fabrication (such as using etching, printing, or other suitable technologies) .

[0104] In the following, antenna examples are described, and the performances of the designed antennas are presented.

[0105] FIG. 12 shows an example of a patch antenna 400, which may comprise a metallic patch 100 on a substrate 402. In some implementations, the substrate 402 may be a Rogers RT / Duroid 5880 substrate (dielectric constant, Dk = 2.2) of 60mil thickness. The shape of the metallic patch 100 may comprise a plurality e.g., eight (8) vertices 102 marked as A to H, and a feed point 404. Each of the eight (8) vertices 102 may have a predefined or preconfigured angle θ in the polar coordinate system (not shown) with a variable distance r to the origin (not shown) for optimization. In order to cover the fundamental frequency for example, between 2 gigahertz (GHz) to 3.5 GHz, the distances r of all eight (8) vertices A to H may be varied in a range e.g., between 14 millimeters (mm) and 22 mm inclusive. The range of 14 mm to 22 mm may be set to cover the fundamental antenna frequency between 2GHz to 3.5GHz.

[0106] To leverage the smooth variation of vertices 102 of the patch 100, a coaxial cable (not shown) may be used to feed power to the antenna structure. In some implementations, the location of the feed point 404 in local coordinates may also be an optimization variable, along with the vertices 102, for achieving better impedance matching in different desired performances. In some implementations, all antenna structures (that is, the antenna structures corresponding to all combinations of locations of the eight (8) vertices 102) may be simulated in a frequency range e.g., 2 GHz to 8 GHz so that the higher order modes may be considered for multiband and wideband applications.

[0107] In some implementations, frequency may be considered as an input optimization parameter (whose value may be used in optimization but would not be changed or optimized) of the CNN model 140 so that during the optimization phase, the antenna structure may be optimized against various frequency responses. In some implementations, antenna performances may be calculated for a fixed / predetermined number of frequency points, for example, 80 frequency points in a predefined range such as 2 GHz to 8 GHz.

[0108] FIG. 13 is a schematic diagram showing the patch antenna design process with above-described configuration. As shown, the AI model 104 may receive a plurality of inputs 442 including the distances r1, r2, …, r8 of the plurality of vertices, for example. eight (8) vertices 102, and the coordinates, for example, Cartesian coordinates x and y of the feed point 404. The AI model 242 may also receive a value of the operation frequency 444 as an optimization parameter. The output 448 of the AI model 140 may be the return loss S11 (which may indicate how much power is reflected back at the antenna port due to mismatch from the transmission line) from a full-wave EM simulation model, which is shown in the form of the real and imaginary parts Re (S11) and Im (S11) thereof.

[0109] In this example, the distance r of each vertex 102 may be selected from five (5) equidistant points in the range of 14mm to 22mm. The location of the feed point 404 may be represented using its coordinates, for example (x, y) coordinates in  a local Cartesian coordinate system, and each of the coordinates x and y may be selected from five (5) equidistant points between -4 mm and 4 mm. In this example, this range of -4 mm to 4 mm may be selected since the feeding coordinates may be optimized within this range to find suitable impedance matching for different antenna shapes having different vertices. In some other implementations, these values may be revised / changed such that the feeding coordinates are optimized in the revised range.

[0110] Therefore, the total combinations of the 10 optimization variables (including the eight distances r for the eight (8) vertices 102 and the coordinates x and y for the feed point 404) are 510.

[0111] In this example, 16, 686 antenna structures are randomly chosen to obtain the return loss S11 from the full-wave EM simulation model. As the frequency is an input parameter, the total data set has 1334880 samples.

[0112] FIG. 14 shows the CNN model 140 used in this example.

[0113] In some implementations, in order to form a 3-by-3 matrix from the eight (8) vertices, a dummy value zero (0) may be added as the 9th element. Input channel-1 may contain this 3-by-3 matrix as patch information as shown below.

[0114] Input channel-2 and Input channel-3 may contain the feed location. Input channel-4 may contain the frequency parameter. The CNN model 140 in this example may comprise three (3) convolutional layers 146 having 256, 128 and 64 neurons, respectively, and three (3) fully connected layers 152 also having 256, 128 and 64 neurons, respectively. These values of convolutional layers, neurons, connected layers, and / or the like may provide the optimal model in terms of accuracy and training time. In some other implementations, these values may be revised or changed such that the optimal model in terms of accuracy and training time is maintained / improved.

[0115] With the above exemplary numbers, mean square error (MSE) of the developed model was found as -21 decibels (dB) after 150 epochs in eight (8) hours of training time. FIG. 15 illustrates the MSE vs epoch convergence curve.

[0116] In some implementations, after the successful development of the CNN model 140 with very high accuracy (that is, MSE is -21 dB) , the genetic algorithm (GA) optimizer may be used to obtain the optimized variables (r1, r1, …, r8, x, and y) for different antenna applications. The obtained electromagnetic structure with optimized shape may be suitable for operation in various transverse modes such as transverse magnetic (TM) modes, transverse electric (TE) modes, or both the TM and the TE modes. The electromagnetic structure with optimized shape may also be suitable for operation in a single transverse mode or a plurality of transverse modes in a plurality of frequency bands.

[0117] For example, FIGS. 16A to 16D show four optimized antenna structures for different applications, wherein antenna-1 (FIG. 16A) is optimized to have a wide-band performance in the frequency range of four (4) GHz to eight (8) GHz (such as in the frequency band of 5 GHz to 6.5 GHz; see FIG. 17A and description below) , antenna-2 (FIG. 16B) is optimized for dual-band performance in the frequency range of four (4) GHz to eight (8) GHz, and antenna-3 (FIG. 16C) and antenna-4 (FIG. 16D) are optimized for dual-band performance in the frequency range of two (2) GHz to four (4) GHz with main lobe at boresight for both operating bands.

[0118] The optimized variables obtained by the GA algorithms for four different desired antenna performances are given in Table I.

[0119] TABLE. 1. OPTIMIZED GEOMETRIC VARIABLES FOR ANTENNAS OF DIFFERENT APPLICATIONS

[0120] FIGS. 17A to 17D are plots showing the CNN and EM model calculated S11 parameters for the antennas shown in FIGS. 16A to 16D, respectively. As shown in FIG. 17A, the antenna shown in FIG. 16A is suitable for operation in the frequency band of 5 GHz to 6.54 GHz. As shown in FIG. 17B, the antenna shown in FIG. 16B is suitable for operation in the 5 GHz band and the 7 GHz band. FIGS. 17C and 17D show that the antennas shown in FIGS. 16C and 16D are suitable for operation in multiple modes in multiple frequency bands.

[0121] Therefore, in some implementations, the vector graphics method may be repeatedly performed with same input variables to obtain a plurality of optimized shapes for the electromagnetic structure, and then a selection is made from the plurality of optimized shapes based on the application or use case to choose a shape for the electromagnetic structure that best meets the requirements of the application or use case.

[0122] FIGS. 18A to 18F are plots showing the far-field radiation patterns at center frequencies of the operating bands for the antennas shown in FIGS. 16A to 16D, wherein FIG. 18A shows the far-field radiation pattern at a center frequency of 6 GHz in the wideband of four (4) GHz to eight (8) GHz for the designed antenna shown in FIG. 16A, FIGS. 18B and 18C show the far-field radiation patterns at the center frequencies of 5.25 GHz and 7 GHz in the dual-band of 4 GHz to 8 GHz for the designed antenna shown in FIG. 16B, FIGS. 18D and 18E show the far-field radiation patterns at the center frequencies of 2.27 GHz and 3.12 GHz in the dual-band of 2 GHz to 4 GHz for the designed antenna shown in FIG. 16C, and FIGS. 18F and 18G show the far-field radiation patterns at the center frequencies of 2.5 GHz and 3.12 GHz in the dual-band of 2 GHz to 4 GHz for the designed antenna shown in FIG. 16D.

[0123] As can be seen from the radiation patterns, the main lobe is in the antenna boresight while the frequency is inside the fundamental mode (2 GHz to 3.5 GHz) . Otherwise, the main lobe is tilted in other directions which can be advantages for other applications.

[0124] In some implementations, each vertex may be represented in a polar coordinate system as a distance-angle pair (r, θ), wherein the angle θ may be predefined or preconfigured, while the distance r may be an optimization variable that may be varied for optimizing one or more performance measures of the electromagnetic structure 100. In some implementations, a vertex may be represented in a Cartesian coordinate system having a coordinate pair (xv, yv) with a constraint to the coordinates xv and yv such that the angle of the vertex (that is, the angle of the line between the vertex and the origin, with respect to a reference axis) is fixed at its predefined or preconfigured value and the distance of the vertex to the origin may be variable for optimization.

[0125] For example, when the shape 100 is formed by eight (8) equidistant vertices as shown in FIG. 8, the vertices A to H may be represented in a Cartesian coordinate system, wherein

[0126] · vertex A has a coordinate pair (xA, yA = 0) ,

[0127] · vertex B has a coordinate pair (xB, yB = xB) ,

[0128] · vertex C has a coordinate pair (xC = 0, yC) ,

[0129] · vertex D has a coordinate pair (xD, yD = -xD) ,

[0130] · vertex E has a coordinate pair (xE, yE = 0) ,

[0131] · vertex F has a coordinate pair (xF, yF = xF) ,

[0132] · vertex G has a coordinate pair (xG = 0, yG) , and

[0133] · vertex H has a coordinate pair (xH, yH = -xH) .

[0134] Then, the optimization variables may be xA, xB, yC, xD, xE, xF, yG, and xH. Accordingly, the 3-by-3 matrix containing the eight (8) optimization variables, after adding a dummy value zero (0) as the 9th element, for Input channel-1 shown in FIG. 14, is as follows:

[0135] In some of above implementations, a computational software and an EM software are used for designing the electromagnetic structure with an optimized shape under one or more conditions such as the desired frequency band. The designed electromagnetic structure may then sent to a manufacturing apparatus for fabrication.

[0136] In various implementations, the computational software and EM software may be executed by different computing devices or by the same computing device. Such computing devices may be any suitable computing devices in any suitable form, such as server computers, desktop computers, laptop computers, tablets, smartphones, Personal Digital Assistants (PDAs) , and / or the like. Such computing devices may be standalone computing devices that are not connected with other computing devices, or may be a part of a computer network system.

[0137] For example, FIG. 19 is a schematic diagram showing an example of the hardware structure of a computing device that may be used for executing the computational software and / or EM software. As shown, the computing device 500 may comprise one or more of a processing structure 502, a controlling structure 504, one or more non-transitory computer-readable memory or storage devices or media 506, a network interface 508, an input interface 510, and an output interface 512, functionally interconnected by a system bus 518. The computing device 500 may also comprise other components 514 coupled to the system bus 518.

[0138] In some implementations, the processing structure 502 may be one or more single-core or multiple-core computing processors, generally referred to as central processing units (CPUs) , such as microprocessors (INTEL is a registered trademark of Intel Corp., Santa Clara, CA, USA) ,  microprocessors (AMD is a registered trademark of Advanced Micro Devices Inc., Sunnyvale, CA, USA) ,  microprocessors (ARM is a registered trademark of Arm Ltd., Cambridge, UK) manufactured by a variety of manufactures such as Qualcomm of San Diego, California, USA, under the architecture, NVIDIA processor, or the like. When the processing structure 502 comprises a plurality of processors, the processors thereof may collaborate via a specialized circuit such as a specialized bus or via the system bus 518.

[0139] In some implementations, the processing structure 502 may also comprise one or more real-time processors, programmable logic controllers (PLCs) , microcontroller units (MCUs) , μ-controllers (UCs) , specialized / customized processors, hardware accelerators, and / or controlling circuits (also denoted “controllers” ) using, for example, field-programmable gate array (FPGA) or application-specific integrated circuit (ASIC) technologies, and / or the like. In some implementations, the processing structure includes a CPU (otherwise referred to as a host processor) and a specialized hardware accelerator which includes circuitry configured to perform computations of neural networks such as tensor multiplication, matrix multiplication, and the like. The host processor may offload some computations to the hardware accelerator to perform computation operations of neural network. Examples of a hardware accelerator include a graphics processing unit (GPU) , Neural Processing Unit (NPU) , and Tensor Process Unit (TPU) . In some implementations, the host processors and the hardware accelerators (such as the GPUs, NPUs, and / or TPUs) may be generally considered processors.

[0140] In some implementations, the processing structure 502 may comprise necessary and / or desired circuitries implemented using technologies such as electrical and / or optical hardware components for executing one or more processes, as the design purpose and / or the use case maybe. For example, the processing structure 502 may comprise logic gates implemented by semiconductors to perform various computations, calculations, and / or processings. Examples of logic gates include AND gate, OR gate, XOR (exclusive OR) gate, and NOT gate, each of which takes one or more inputs and generates or otherwise produces an output therefrom based on the logic implemented therein. For example, a NOT gate receives an input (for example, a high voltage, a state with electrical current, a state with an emitted light, or the like) , inverts the input (for example, forming a low voltage, a state with no electrical current, a state with no light, or the like) , and output the inverted input as the output.

[0141] While the inputs and outputs of the logic gates are generally physical signals and the logics or processing thereof are tangible operations with physical results (for example, outputs of physical signals) , the inputs and outputs thereof are generally described using numerals (for example, numerals “0” and “1” ) and the operations thereof are generally described as “computing” (which is how the “computer” or “computing device” is named) or “calculation” , or more generally, “processing” , for generating or producing the outputs from the inputs thereof.

[0142] Sophisticated combinations of logic gates in the form of a circuitry of logic gates, such as the processing structure 502, may be formed using a plurality of AND, OR, XOR, and / or NOT gates. Such combinations of logic gates may be implemented using individual semiconductors, or more often be implemented as integrated circuits (ICs) .

[0143] A circuitry of logic gates may be “hard-wired” circuitry which, once designed, may only perform the designed functions. In this example, the processes and functions thereof are “hard-coded” in the circuitry.

[0144] With the advance of technologies, it is often that a circuitry of logic gates such as the processing structure 502 may be alternatively designed in a general manner so that it may perform various processes and functions according to a set of “programmed” instructions implemented as firmware and / or software and stored in one or more non-transitory computer-readable storage devices or media. In this example, the circuitry of logic gates such as the processing structure 502 is usually of no use without meaningful firmware and / or software.

[0145] Of course, those skilled the art will appreciate that a process or a function (and thus the processor 502) may be implemented using other technologies such as analog technologies.

[0146] Referring again to FIG. 19, the controlling structure 504 may comprise one or more controlling circuits, such as graphic controllers, input / output chipsets and the like, for coordinating operations of various hardware components and modules of the computing device 500.

[0147] The memory 506 may comprise one or more storage devices or media accessible by the processing structure 502 and the controlling structure 504 for reading and / or storing instructions for the processing structure 502 to execute, and for reading and / or storing data, including input data and data generated by the processing structure 502 and the controlling structure 504. The memory 506 may be volatile and / or non-volatile, non-removable or removable memory such as RAM, ROM, EEPROM, solid-state memory, hard disks, CD, DVD, flash memory, or the like.

[0148] The network interface 508 may comprise one or more network modules for connecting to other computing devices or networks through the network 108 by using suitable wired or wireless communication technologies such as Ethernet,  (WI-FI is a registered trademark of Wi-Fi Alliance, Austin, TX, USA) ,   (BLUETOOTH is a registered trademark of Bluetooth Sig Inc., Kirkland, WA, USA) , Bluetooth Low Energy (BLE) , Z-Wave, Long Range (LoRa) ,  (ZIGBEE is a registered trademark of ZigBee Alliance Corp., San Ramon, CA, USA) , wireless broadband communication technologies such as Global System for Mobile Communications (GSM) , Code Division Multiple Access (CDMA) , Universal Mobile Telecommunications System (UMTS) , Worldwide Interoperability for Microwave Access (WiMAX) , CDMA2000, Long Term Evolution (LTE) , 3GPP, fifth-generation New Radio (5G NR) and / or other 5G networks, future generation networks, and / or the like. In some implementations, parallel ports, serial ports, USB connections, optical connections, or the like may also be used for connecting other computing devices or networks although they are usually considered as input / output interfaces for connecting input / output devices.

[0149] The input interface 510 may comprise one or more input modules for one or more users to input data via, for example, touch-sensitive screen, touch-sensitive whiteboard, touch-pad, keyboards, computer mouse, trackball, microphone, scanners, cameras, and / or the like. The input interface 510 may be a physically integrated part of the computing device 500 (for example, the touch-pad of a laptop computer or the touch-sensitive screen of a tablet) , or may be a device physically separate from, but functionally coupled to, other components of the computing device 500 (for example, a computer mouse) . The input interface 510, in some implementation, may be integrated with a display output to form a touch-sensitive screen or touch-sensitive whiteboard.

[0150] The output interface 512 may comprise one or more output modules for output data to a user. Examples of the output modules comprise displays (such as monitors, LCD displays, LED displays, projectors, and the like) , speakers, printers, virtual reality (VR) headsets, augmented reality (AR) goggles, and / or the like. The output interface 512 may be a physically integrated part of the computing device 500 (for example, the display of a laptop computer or tablet) , or may be a device physically separate from but functionally coupled to other components of the computing device 500 (for example, the monitor of a desktop computer) .

[0151] The computing device 500 may also comprise other components 514 such as one or more positioning modules, temperature sensors, barometers, inertial measurement unit (IMU) , and / or the like.

[0152] The system bus 518 may interconnect various components 502 to 514 enabling them to transmit and receive data and control signals to and from each other.

[0153] FIG. 20 shows a simplified software architecture of the computing device 500. On the software side, the computing device 500 may comprise one or more application programs 522, an operating system 524, a logical input / output (I / O) interface 526, and a logical memory 528. The one or more application programs 522, operating system 524, and logical I / O interface 526 may be implemented as computer-executable instructions or code in the form of software programs or firmware programs stored in the logical memory 528 which may be executed by the processing structure 502.

[0154] The one or more application programs 522 may be executed by or run by the processing structure 502 for performing various tasks.

[0155] The operating system 524 may manage various hardware components of the computing device 102 or 104 via the logical I / O interface 526, manages the logical memory 528, and may manage and supports the application programs 522. The operating system 524 may also be in communication with other computing devices (not shown) via the network 108 to allow application programs 522 to communicate with those running on other computing devices. As those skilled in the art will appreciate, the operating system 524 may be any suitable operating system such as (MICROSOFT and WINDOWS are registered trademarks of the Microsoft Corp., Redmond, WA, USA) ,  OS X,  iOS (APPLE is a registered trademark of Apple Inc., Cupertino, CA, USA) , Linux,   (ANDROID is a registered trademark of Google LLC, Mountain View, CA, USA) , or the like. The computing devices 500 may all have the same operating system, or may have different operating systems.

[0156] The logical I / O interface 526 may comprise one or more device drivers 530 for communicating with respective input and output interfaces 510 and 512 for receiving data therefrom and sending data thereto. Received data may be sent to the one or more application programs 522 for being processed by one or more application programs 522. Data generated by the application programs 522 may be sent to the logical I / O interface 526 for outputting to various output devices (via the output interface 512) .

[0157] The logical memory 528 may be a logical mapping of the physical memory 506 for facilitating the application programs 522 to access. In this implementation, the logical memory 528 may comprise a storage memory area that may be mapped to a non-volatile physical memory such as hard disks, solid-state disks, flash drives, and the like, generally for long-term data storage therein. The logical memory 528 may also comprise a working memory area that is generally mapped to high-speed, and in some implementations volatile, physical memory such as RAM, generally for application programs 522 to temporarily store data during program execution. For example, an application program 522 may load data from the storage memory area into the working memory area, and may store data generated during its execution into the working memory area. The application program 522 may also store some data into the storage memory area as required or in response to a user’s command.

[0158] As described above, the processing structure 502 may be of no use without meaningful firmware and / or software. Similarly, while the computing device 500 may have the potential to perform various tasks, it may not perform any tasks and may be of no use without meaningful firmware and / or software. Thus, the computing device 500 described herein and the modules, circuitries, and components thereof, as a combination of hardware and software, may generally produce tangible results tied to the physical world, wherein the tangible results such as those described herein may lead to improvements to the computer devices and systems themselves, the modules, circuitries, and components thereof, and / or the like.

[0159] In various implementations, the manufacturing apparatus described above may be any apparatus suitable for fabrication the electromagnetic structure 100. In some implementations, such a manufacturing apparatus may also comprise some or all components of above-described computing device, such as one or more processors, one or more controlling circuits or controllers, one or more non-transitory computer-readable memory or storage devices or media, input / output interface,  and / or the like. The manufacturing apparatus may also comprise necessary and / or desired components that, under the control of one or more controllers, may transcript the designed shape to a substrate and fabricate the electromagnetic structure.

[0160] In some implementations, the EM software may integrate the vector graphics methods disclosed herein, and therefore, no individual computation software is required.

[0161] In some implementations, the EM software may be integrated into the manufacturing apparatus, and one may only need the computation software for performing the vector graphics methods disclosed herein in a computing device and then using the manufacturing apparatus to design and fabricate the electromagnetic structure with optimized shape.

[0162] In some implementations, the computation software may be integrated into the manufacturing apparatus.

[0163] In some implementations, the computation software and the EM software may be integrated into the manufacturing apparatus. Therefore, no individual computing devices are required.

[0164] Herein, various implementations of vector graphics methods are described. In some implementations, the methods disclosed herein may be implemented as one or more circuits of a module, a device, an apparatus, a system, and / or the like. In some implementations, the methods disclosed herein may be implemented as computer-executable instructions stored in one or more non-transitory computer-readable storage devices such that, the instructions, when executed, may cause one or more circuits to perform the methods disclosed herein.

[0165] In various implementations, the methods disclosed herein solve at least some of the following technical problems:

[0166] · Classical electromagnetic structures follow regular geometric shapes which deal with higher order modes independently according to the desired application.

[0167] · Design variables are limited to the certain geometric parameters such as length and width for a rectangular patch, radius of a circular patch, and / or the like.

[0168] · Different patch shapes are not generalized in terms of their characteristics. In other words, different shapes have different characteristics which cannot be modeled in terms of their geometric features.

[0169] In some implementations, the methods disclosed herein may represent the shape of an electromagnetic structure using a plurality of vertices (wherein each edge or side of the shape may be formed by two neighboring vertices) , and may use CNN model inputs as different channels for geometric features, substrate features, feeding features, frequency parameters, and / or the like.

[0170] Thus, the methods disclosed herein provide a technical solution for above-described technical problems, and provide at least some of the following technical benefits:

[0171] · providing an easy-to-use method for electromagnetic structure design and / or fabrication without the need of complicated template-based EM structures.

[0172] · providing a unified technique that can define any geometric shape in terms of certain variables.

[0173] · providing a technique to achieve various design goals from a target EM structure.

[0174] Herein, use of language such as “at least one of X, Y, and Z, ” “at least one of X, Y, or Z, ” “at least one or more of X, Y, and Z, ” “at least one or more of X, Y, and / or Z, ” or “at least one of X, Y, and / or Z, ” is intended to be inclusive of both a single item (e.g., just X, or just Y, or just Z) and multiple items (e.g., {X and Y} , {X and Z} , {Y and Z} , or {X, Y, and Z} ) . The phrase “at least one of” and similar phrases are not intended to convey a requirement that each possible item must be present, although each possible item may be present.

[0175] In some implementations, the methods disclosed herein may be implemented as computer-executable instructions stored in one or more non-transitory computer-readable storage devices (in the form of software, firmware, or a combination thereof) such that, the instructions, when executed, may cause one or more physical components such as one or more circuits to perform the methods disclosed herein.

[0176] For example, in some implementations, one or more apparatuses comprising one or more processors functionally connected to one or more non-transitory computer-readable storage devices or media may be used to perform the methods disclosed herein, wherein the one or more non-transitory computer-readable storage devices or media store the computer-executable instructions of the methods disclosed herein, and the one or more processors may read the computer-executable  instructions from the one or more non-transitory computer-readable storage devices or media, and executes the instructions to perform the methods disclosed herein.

[0177] In some implementations, an apparatus may not have any processors or computer-readable storage devices or media. Rather, the apparatus may comprise any other suitable physical or virtual (explained below) components for implementing the methods disclosed herein.

[0178] In some implementations, the computer-executable instructions that implement the methods disclosed herein may be one or more computer programs, one or more program products, or a combination thereof.

[0179] In some implementations, the methods disclosed herein may be implemented as one or more circuits, one or more components, one or more units, one or more modules, one or more integrated-circuit (IC) chips, one or more chipsets, one or more devices, one or more apparatuses, one or more systems, and / or the like.

[0180] The one or more circuits, one or more components, one or more units, one or more modules, one or more IC chips, one or more chipsets, one or more devices, one or more apparatuses, or one or more systems may be physical, virtual, or a combination thereof. Herein, the term “virtual” (such as a “virtual apparatus” ) refers to a circuit, component, unit, module, chipset, device, apparatus, system, or the like that is simulated or emulated or otherwise formed using suitable software or firmware such that it appears as if it is “real” or physical) .

[0181] The present disclosure encompasses various implementations, including not only method implementations, but also other implementations such as apparatus implementations and implementations related to non-transitory computer readable storage media. Implementations may incorporate, individually or in combinations, the features disclosed herein.

[0182] Those skilled in the art will appreciate that such various implementations and / or features thereof may be customized and / or combined as needed or desired. Moreover, although implementations have been described above with reference to the accompanying drawings, those of skill in the art will appreciate that variations and modifications may be made without departing from the scope thereof as defined by the appended claims.

[0183] Although this disclosure refers to illustrative implementations, this is not intended to be construed in a limiting sense. Various modifications and combinations of the illustrative implementations, as well as other implementations of the disclosure, will be apparent to persons skilled in the art upon reference to the description.

[0184] Features disclosed herein in the context of any particular implementations may also or instead be implemented in other implementations. Method implementations, for example, may also or instead be implemented in apparatus, system, and / or computer program product implementations. In addition, although implementations are described primarily in the context of methods and apparatus, other implementations are also contemplated, as instructions stored on one or more non-transitory computer-readable media, for example. Such media may store programming or instructions to perform any of various methods consistent with the present disclosure.

[0185] Those skilled in the art will appreciate that the above-described implementations and / or features thereof may be customized, separated, and / or combined as needed or desired. Moreover, although implementations have been described above with reference to the accompanying drawings, those of skill in the art will appreciate that variations and modifications may be made without departing from the scope thereof as defined by the appended claims.

Claims

1.A method comprising:determining a shape of an electromagnetic structure for optimizing one or more performance measures of the electromagnetic structure;wherein said determining the shape of the electromagnetic structure comprises:determining locations of a plurality of vertices of the shape of the electromagnetic structure.2.The method of claim 1, further comprising:fabricating the electromagnetic structure having the shape defined by the plurality of vertices at the determined locations thereof.3.The method of any one of claims 1 and 2, wherein the locations of the plurality of vertices are on a two-dimensional (2D) plane.4.The method of any one of claims 1 to 3, wherein each vertex of the plurality of vertices has a distance r to an origin of a coordinate system and an angle θ being an angle of a line between the vertex and the origin with respect to a reference axis; andwherein said determining the shape of the electromagnetic structure further comprises:determining the distances r of the plurality of vertices of the shape of the electromagnetic structure.5.The method of claim 4, wherein the distance r of each vertex of the plurality of vertices is determined within an upper boundary and a lower boundary.6.The method of claim 5, wherein the distance r of each vertex of the plurality of vertices is selected from a plurality of candidate values within the upper boundary and the lower boundary.7.The method of claim 4, wherein the distance r of each vertex of the plurality of vertices is selected from a plurality of candidate values.8.The method of any one of claims 1 to 7, wherein each vertex of the plurality of vertices is represented as a coordinate pair in a polar coordinate system or a Cartesian coordinate system.9.The method of any one of claims 1 to 8, wherein said determining the shape of the electromagnetic structure further comprises:determining a location of a feed point of the electromagnetic structure.10.The method of claim 9, wherein the location of the feed point is represented as a coordinate pair in a polar coordinate system or a Cartesian coordinate system.11.The method of any one of claims 1 to 10, wherein the determining the locations of the plurality of vertices of the shape of the electromagnetic structure is performed using an artificial intelligence (AI) model.12.The method of claim 11, wherein the AI model is a machine-learning model.13.The method of claim 11, wherein the AI model comprises a convolutional neural network (CNN) model.14.The method of any one of claims 11 to 13, wherein the AI model receives a value of a frequency as a parameter for optimizing the one or more performance measures of the electromagnetic structure.15.The method of any one of claims 11 to 14, wherein the one or more performance measures of the electromagnetic structure comprises one or more scattering parameters of the electromagnetic structure.16.The method of any one of claims 11 to 14, wherein the one or more performance measures of the electromagnetic structure comprises a return loss parameter S11 of the electromagnetic structure.17.The method of any one of claims 11 to 14, wherein the determining the locations of the plurality of vertices of the shape of the electromagnetic structure is performed using the AI and a genetic algorithm.18.The method of any one of claims 1 to 17, wherein said determining the shape of the electromagnetic structure further comprises:simulating the electromagnetic structure having the shape defined by the plurality of vertices; andcomparing results of said simulation with the one or more performance measures for optimization verification.19.The computerized method of any one of claims 11 to 17, or claim 18 dependent from claim 11, further comprising:selecting the locations of the plurality of vertices; andsimulating the electromagnetic structure having the shape defined by the plurality of vertices at the locations selected by the computational software; andcollecting the selected locations and results of said simulation as data for training the AI model.20.The method of claim 19, wherein selecting the locations of the plurality of vertices is performed by a computational software; andwherein said simulating the electromagnetic structure is performed by a full-wave electromagnetic simulation software.21.The method of claim 20, wherein said simulating the electromagnetic structure is performed by a full-wave electromagnetic simulation software under an instruction of the computational software sent to the full-wave electromagnetic simulation software via an application programming interface (API) .22.The computerized method of any one of claims 19 to 21 further comprising:arranging said data into a plurality of channels for inputting into the AI model;partitioning said data into a training dataset, a validation data set, and a testing dataset;training the AI model using the training dataset, the validation data set, and the testing dataset.23.The method of any one of claims 1 to 22, wherein the electromagnetic structure is at least a portion of an antenna.24.The method of any one of claims 1 to 23 further comprising:repeating said determining the shape of the electromagnetic structure for a plurality of times to obtain a plurality of shapes of the electromagnetic structure; andselecting one of the plurality of shapes of the electromagnetic structure based on one or more requirements of a use case.25.An electromagnetic structure having a shape determined by the method of any one of claims 1 to 24.26.A component comprising an electromagnetic structure, the electromagnetic structure having a shape determined by the method of any one of claims 1 to 24.27.The component of claim 26, wherein the component is an antenna.28.An apparatus comprising an electromagnetic structure, the electromagnetic structure having a shape determined by the method of any one of claims 1 to 24.29.One or more apparatuses comprising:one or more processors; anda memory storing instructions which, when executed by the one or more processors, cause the apparatus to perform the method of any one of claims 1 to 24.30.One or more non-transitory computer-readable storage having instructions stored thereon which, when executed by one or more processors, cause the one or more processors to perform the method of any one of claims 1 to 24.31.One or more program products storing instructions which, when executed, cause an apparatus to perform the method of any one of claims 1 to 24.

Images