Проектирование хиральных метаматериалов по требованию с использованием глубокого обучения
Deep-Learning-Enabled On-Demand Design of Chiral Metamaterials
2018-06-01
SCID: 54.1/vqrt7ju8
Discuss with AI
двунаправленные нейронные сетихиральные метаматериалыхирооптический откликмодель на основе глубокого обученияобратный дизайн
Figures from the paper
Abstract (AI)
Рамки глубокого обучения существенно повлияли на развитие современной машинной обработки данных, постоянно расширяя пределы традиционного распознавания и обработки изображений, речи и видео. В то же время глубокое обучение начинает проникать в другие дисциплины, такие как биология, генетика, материаловедение и физика. В настоящей работе мы представляем модель на основе глубокого обучения, состоящую из двух двунаправленных нейронных сетей, собранных с использованием стратегии частичного стэкинга, для автоматического проектирования и оптимизации трёхмерных хиральных метаматериалов с выраженными хирооптическими откликами на заранее заданных длинах волн. Модель способна выявлять сложную, неинтуитивную зависимость между структурой метаматериала и его оптическими откликами по набору обучающих примеров, что позволяет избежать трудоёмких численных расчётов в каждом отдельном случае, применяемых в традиционных подходах к проектированию метаматериалов. Такой подход не только обеспечивает более точное и эффективное прямое прогнозирование оптических характеристик, но и позволяет обратным образом получать конструкции по заданным требованиям. Наши результаты демонстрируют, что подобная модель, основанная на данных, может служить мощным инструментом для изучения сложных взаимодействий света и материи и для ускорения проектирования нанофотонных устройств, систем и архитектур по требованию для практических применений.
Key Findings
1
Разработана модель глубокого обучения из двух двунаправленных нейронных сетей с частичной стратегией стэкинга для проектирования и оптимизации 3D хиральных метаматериалов.
2
Фреймворк обеспечивает точное и эффективное прямое предсказание оптической производительности и обратный вывод конструкций для заданных целевых длин волн.
3
Модель выявляет сложные, неинтуитивные зависимости между структурой метаматериала и его оптическими откликами по обучающим примерам, сокращая необходимость в покейсовых численных симуляциях.
4
Модель обеспечивает сильные хиральные оптические отклики на заранее заданных длинах волн, что позволяет проектировать и оптимизировать нанофотонные устройства по требованию.
Research Object
Трёхмерные хиральные метаматериалы (нанооптические хиральные структуры)
Research Subject
Проектирование и оптимизация хирооптических характеристик (прямое предсказание и обратный поиск оптической производительности) на заранее заданных длинах волн с использованием модели глубокого обучения
Publication Details
Publication Date
2018-06-01
Journal
Publisher
ISSN
Cited by
919
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Глубокие нейронные сети для акустического моделирования в распознавании речи: общее мнение четырёх исследовательских групп2012
Машинное обучение в информатике материалов: современные применения и перспективы2017
Отрицательный показатель преломления в хиральных метаматериалах2009
Оптические хиральные метаматериалы: обзор фундаментальных положений, методов изготовления и приложений2016
Работы, цитирующие эту статью6
Перестраиваемая нанофотоника на основе халькогенидных материалов с фазовым переходом2020
Искусственный интеллект и передовые материалы2022
Интеллектуальная нанофотоника: когда машинное обучение проливает свет2025
Прикладной искусственный интеллект в материаловедении и дизайне материалов2025
Метаматериалы: искусство в материаловедении2024
Обзор технологического ландшафта фотонного интеллекта внутри сенсоров: от оптических сенсоров к интеллектуальным устройствам2025