Dec, 2020

全电介质超表面反向设计的神经 - 共轭方法

PDF
TL;DR本文介绍一种基于神经 - 权值方法的深度学习方案，用于更加精确高效的设计以实现目标频率依赖散射效果的增加几何复杂度的全电介质超表面，并且证明该方法不仅适用于本文中的案例，同时适用于等离子体学、光子晶体带隙材料和其他结构化材料系统。
all-dielectric metasurfacesmachine learningneural-adjoint methodgeometric complexityfrequency-dependent scattering
发现论文，激发创造
  • 基于扩散概率模型的高精度高自由度超材料逆向设计

    本文提出了一种基于扩散概率理论的新型超材料反设计方法，该方法可以逐步从高斯分布中去除噪声并生成满足 S 参数条件的新型高自由度元电池，并且证明实验表明该方法在模型收敛速度、生成精度和质量方面优于 GAN 的代表性方法。

    Apr, 2023

  • 双向对抗自编码器用于光热表面结构设计

    使用深度学习设计反向设计方法，以预测拓扑结构的光致发光光谱作为输入数据，采用双向对抗自编码器能够生成能够提供多个峰值的非线性光子元表面，对于先进光子元表面设计具有重要的推进作用。

    May, 2024

  • 深度学习辅助的可重构超表面天线用于实时全息波束转向

    我们提出了一种能够实时全息波束引导的元表面天线。通过元原子状态的具体编码，可生成可重构偶极子阵列通过辐射在需求场模式。我们提出了一种基于深度学习的方法来控制具有变化状态的点偶极天线元表面天线。我们采用了一种深度学习算法，将自动编码器与电磁散射方程相结合，以实时确定目标远场模式所需的状态。散射方程从 Born 近似中用作训练神经网络的解码器，并使用解析格林函数计算来检查 Born 近似的有效性。我们的学习算法仅需计算时间不超过 200 微秒，即可确定元原子状态，从而实现全息天线的实时操作。

    Jun, 2024

  • 机器学习辅助光子器件的全局优化

    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

  • 通过改进的 Transformer 与 CGAN 神经网络生成的人工智能太赫兹多共振超表面

    该研究提出了改进的 Transformer 和条件生成对抗神经网络（CGAN）来实现基于太赫兹多重共振吸收光谱的石墨烯超表面的反向设计，并证明这项工作可以促进人工智能生成超材料的设计过程，并对利用生成神经网络开发基于二维材料的复杂太赫兹超表面提供有用指导。

    Jul, 2023

  • 随机构造介质材料的机械特性和反向设计研究使用神经运算器

    通过深度神经网络算子（DeepONet）直接学习基于稀疏但高质量位于实验数据的超材料完整微结构与其力学响应之间的关系，进而反向设计具有特定非线性力学特性的结构，该方法为设计复杂微结构材料的特性提供了可行性，即使在数据稀缺的情况下。

    Nov, 2023

  • 深度学习辅助的同时目标感知和超分辨率成像

    本研究表明，多功能深度神经网络可用于在互动式元表面系统中重建目标信息，并且能够通过依赖电场分布，感知目标的数量和介电常数，并生成具有高精度的高超分辨图像。

    May, 2023

  • 物理启发的神经网络用于纳米光学和超材料反问题

    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

  • 密度驱动机械超材料快速逆向设计的引导扩散

    此论文介绍了一种快速反向设计方法，利用先进的深度生成人工智能算法生成基于体素的机械超材料，该方法能够在仅 3 秒内逼近所指定的均质张量矩阵的分辨率为 $128^3$ 的微结构。该工具对于结构工程或其他机械系统具有灵活和自适应的生成能力，可以激发更多的后续研究。

    Jan, 2024

  • 一个基于深度生成模型和半监督学习策略的超材料的概率表示和逆向设计

    采用概率生成方法，在潜在空间中对设计元激元和光学反应进行压缩，以解决由物理结构到光学响应之间难以捉摸的关系带来的逆向设计问题。该模型可在训练期间利用有标签和无标签数据优化生成逆向设计和确定性正向预测。这种基于数据的模型可以成为在干涉材料和光子学研究领域中加速设计、表征和新发现的全面有效的工具。

    Jan, 2019