An Automated Machine Learning Approach to Inkjet Printed Component Analysis: A Step Toward Smart Additive Manufacturing

本文提出了一种基于机器学习的架构，用于对柔性基板上喷墨打印元件的微波特性进行表征。我们提出的架构使用了多个机器学习算法，并自动选择最佳算法从晶圆上的测量数据中提取材料参数（墨水电导率和介电性能）。最初，利用喷墨打印共面波导线（CPWs）的材料参数与电磁仿真传播常数之间的相互依赖关系来训练机器学习模型。接下来，这些机器学习模型以及测量的传播常数被用于提取测试样品的墨水电导率和介电性能。为了证明我们提出的方法的适用性，我们比较和对比了四个基于启发式的机器学习模型。结果表明，eXtreme Gradient Boosted Trees Regressor（XGB）和Light Gradient Boosting（LGB）算法在所研究的表征问题中表现最佳。

文章旨在提出一种基于机器学习的架构，用于对柔性基板上喷墨打印组件进行微波特性表征。

文章提出了一种自动选择最佳算法来从片上测量中提取材料参数（墨水电导率和介电性能）的方法，使用了多个机器学习算法。

实验结果表明，eXtreme Gradient Boosted Trees Regressor (XGB) 和 Light Gradient Boosting (LGB) 算法在所研究的特性表征问题中表现最佳。

目前在这个领域中，还有一些相关的研究，例如“Flexible Substrates for Microwave Components and Antennas: A Review”和“Printed Antennas on Low-Cost and Flexible Substrates for IoT Applications”等。