Kiran Ilyas

Ik wil graag een aanvraag indienen voor de KIVI EngD Award 2026 als erkenning voor mijn EngD-project, „AI/ML-gebaseerde mapping van het nabije veld naar het verre veld voor mm-golf-IC’s in EMC-modellering”, dat in juni 2026 is afgerond aan de Technische Universiteit Eindhoven

in samenwerking met NXP Semiconductors.

Mijn motivatie om dit project uit te voeren was het aanpakken van een praktische technische uitdaging bij de

ontwikkeling van steeds compactere en complexere millimetergolf-geïntegreerde schakelingen. Naarmate deze

technologieën steeds vaker worden toegepast in autoradar- en draadloze communicatiesystemen,

is het voorspellen van hun elektromagnetische stralingsgedrag essentieel geworden voor elektromagnetische

compatibiliteit (EMC). Conventionele benaderingen gaan vaak gepaard met rekenintensieve simulaties

en complexe nabewerking, wat hun efficiëntie tijdens het iteratieve ontwerpproces beperkt.

De belangrijkste bijdrage van mijn EngD-project was de ontwikkeling van een systematisch, datagestuurd raamwerk

dat elektromagnetische simulatie, geautomatiseerde gegevensgeneratie en kunstmatige intelligentie met elkaar verbindt. In plaats

in plaats van me uitsluitend te richten op het trainen van een neuraal netwerk, benaderde ik het probleem als een geïntegreerde

technische workflow.

Het project verliep in drie elkaar aanvullende fasen. Ten eerste heb ik full-wave

elektromagnetische solvers om een geschikte simulatiebasis te leggen. Ten tweede heb ik zelfstandig

een geautomatiseerde workflow ontwikkeld voor het genereren van consistente near-field- en far-field-datasets voor

geparametriseerde ontwerpen. Ten derde heb ik zelfstandig deep-learning-architecturen geïmplementeerd en geëvalueerd

die in staat zijn om verveld-stralingskenmerken rechtstreeks te voorspellen op basis van reactieve nabijveld-informatie.

Deze aanpak laat zien hoe gevestigde elektromagnetische modelleringstechnieken kunnen worden gecombineerd

met machine learning om een uitdagend technisch probleem aan te pakken. De resultaten toonden aan dat neurale

netwerken belangrijke stralingskenmerken kunnen vastleggen en deze kunnen generaliseren naar voorheen onbekende

geometrieën binnen de onderzochte ontwerpruimte, wat een veelbelovende weg biedt naar het verminderen van herhaalde

rekenintensieve simulaties.

Afgezien van de technische resultaten vereiste de onafhankelijke ontwikkeling van de workflow voor simulatie en gegevensgeneratie

en de AI-modellen vereiste de integratie van expertise op het gebied van elektromagnetisme, numerieke simulatie,

programmeren en machine learning in een samenhangende technische oplossing. Tijdens mijn werk aan een industrieel

project bij NXP nam ik de verantwoordelijkheid op me om de technische uitdaging te vertalen naar een gestructureerd

ontwikkelingsproces, het nemen van technische beslissingen en het toetsen van de resulterende modellen aan

praktische vereisten.

Ik ben van mening dat dit werk de doelstelling van de EngD-opleiding weerspiegelt: het toepassen van geavanceerde technische

kennis toepassen om innovatieve oplossingen te ontwikkelen voor praktische technische uitdagingen. De waarde ervan ligt niet alleen

in het aangetoonde vermogen om voorspellingen te doen van het nabije tot het verre veld, maar ook in de herbruikbare methodologie voor

het creëren van op simulaties gebaseerde datasets en het evalueren van AI-ondersteunde benaderingen voor elektromagnetische modellering.

Ik ben blij met de gelegenheid om mijn EngD-project in te dienen voor de KIVI EngD Award 2026.

Via deze aanvraag hoop ik te laten zien hoe de combinatie van elektromagnetische simulatie, automatisering en

kunstmatige intelligentie kan bijdragen aan efficiëntere en schaalbare EMC-gerichte ontwerpworkflows,

en tegelijkertijd de waarde aan te tonen van een door de industrie gedreven, multidisciplinaire engineeringaanpak