拓扑光子学的机器学习反问题
本文提出了一种基于混合密度网络模型和迁移学习增强的逆向建模方法,用于纳米光子结构,该方法在输入光学响应的情况下能够准确预测设计解决方案的能力,并克服了混合密度网络模型中的多个挑战。
Jan, 2024
利用有限的测量数据,我们展示了如何应用机器学习技术对漏电光子晶格中的拓扑相进行分类。我们提出了一种仅基于体积强度测量的方法,免除了复杂的相位恢复过程的需求。特别地,我们设计了一个完全连接的神经网络,从模拟实验条件中的双线波导阵列中的输出强度分布准确确定拓扑性质,通过在有限距离上传播局部化的初始激发。
Aug, 2023
本文研究如何使用神经网络在拓扑绝缘体中区分不同的拓扑相,经过训练,即使是大于训练数据的的 Hamiltonians winding number,神经网络也能够预测其拓扑缠绕数,证明了神经网络能够从局部输入中捕捉到量子相的全局和非线性拓扑特征。同时,本文确认了神经网络学到了离散版本的缠绕数公式,在运用机器学习到物理系统时,研究了对称性的作用和正则化技术的相反影响。
Aug, 2017
通过在串联架构中结合正向建模和反向设计,可以有效地使用数据集对包含非唯一电磁散射实例的深度神经网络进行训练,为使用深度神经网络设计需要大型训练集的复杂光子结构铺平了道路。
Oct, 2017
本文提出了一种基于机器学习的全局优化框架,以设计光子器件。该方法使用对抗自动编码器和元启发式优化框架,通过物理传递的压缩设计空间工程,提高了元器件配置的优化搜索效率,并可以揭示器件的光学性能的物理基础。
Jul, 2020
本文介绍如何应用物理信息神经网络(PINNs)求解光子超材料和纳米光学技术中的逆散射问题,并成功应用于多组分纳米粒子等多种散射系统的介电常数参数反演,从而拓展超材料的设计空间和功能。
Dec, 2019
本文提出一种基于物理约束神经网络(hPINNs)的新的深度学习方法用于解决基于偏微分方程(PDEs)和附加不等式的拓扑优化,该方法拥有硬约束,可在不需要偏微分方程求解器的情况下处理大量维度较高的问题。使用 hPINN 解决全息术和 Stokes 流动问题时,相较于基于伴随方法和数值 PDE 解算器的传统 PDE 约束优化方法,它们通常更简单、更平滑。
Feb, 2021
应用基于物理学的神经网络技术(PINNs)开发出一种具有先进拓扑结构的拓扑优化框架,实现了在医学和工业应用中使用非侵入式成像技术检测出隐藏的几何结构。
Mar, 2023
本文提出了一种新的方法,使用伴随变量方法导出光子反向传播算法的光学模拟,并通过在设备内进行强度测量来准确获得这些梯度,从而大大提高了光学神经网络的训练效率。
May, 2018
我们展示了一种多保真度(MF)机器学习集成框架,用于逆向设计光子表面,该框架基于一个由我们使用高通量飞秒激光加工制备的 11,759 个样本的数据集进行训练。MF 集成组合了一个初始低保真度模型以生成设计解决方案,并与一个通过局部优化对这些解决方案进行改进的高保真度模型。组合的 MF 集成可以生成多个不同的激光加工参数集,每个参数集都可以以高精度(均方根误差 < 2%)产生相同的目标输入光谱发射率。SHapley Additive exPlanations 分析显示出复杂的激光参数与光谱发射率之间透明的模型可解释性关系。最后,MF 集成通过制备和评估由其生成的用于改进效率的能量收集装置的光子表面设计进行了实验验证。我们的方法为推进在能量收集应用中的光子表面逆向设计提供了强大的工具。
Jun, 2024