John Peurifoy, Yichen Shen, Li Jing, Yi Yang, Fidel Cano-Renteria...
TL;DR使用人工神经网络逼近多层纳米粒子的光散射,并利用反向传播求解纳米光子逆向设计问题。
Abstract
We propose a method to use artificial neural networks to approximate light
scattering by multilayer nanoparticles. We find the network needs to be trained
on only a small sampling of the data in order to approxim
基于神经网络的模拟器提供了比电磁波传播模拟快数个数量级的路径。我们展示了一个统一的模型,能够解决数千自由度的散射模拟问题,适用于任何波长、任何照明前波前以及任何自由形式的材料,模型基于一种关注的多条件策略,并允许非循环监督和预测中间物理状态,这提供了更好的泛化性能而无需额外的数据生成成本。使用这种 O (1) 的中间预测能力,我们提出并证明了有效可计算的预测误差上界,使得所有预测在推断时都能提供准确性保证。在仅使用随机系统训练后,我们通过一套具有挑战性的多学科反问题展示了统一模型,在光学断层扫描、体积随机介质中的光束成形和自由光子反设计等问题中,我们发现性能和速度改进效果达到 96%,而无需特定问题的训练。我们的发现展示了一种通向现有散射模拟器的通用、可验证准确的神经替代品的路径,而我们的条件和训练方法直接适用于任何允许时域迭代求解器的偏微分方程。