ICLRApr, 2021

使用卷积神经网络来改进太阳能电池的金属化设计

PDF
TL;DR本研究基于 Topology Optimization 方法和深度学习理论，提出了一种新型基于卷积神经网络的重参数化优化策略 SolarNet，通过优化卷积神经网络的参数来设计更好的太阳能电池电极。研究表明，这一策略可以用于不同形状的太阳能电池，并改善了传统 TO 方法的效果。
solar cellsmetallization designtopology optimizationdeep learningsolarnet
发现论文，激发创造
  • 基于卷积神经网络的拓扑优化（CNN-TO）：从材料分布的敏感性估计成本

    本研究提出了一种新的拓扑优化方法，该方法应用了卷积神经网络（CNN）解决了一个常见类型的最大刚度拓扑优化问题，并通过分析密度分布中的刚度信息来优化结构设计。

    Dec, 2019

  • 光伏引导结构 - 属性探索中的可解释深度学习

    本研究使用卷积神经网络作为快速代理来设计有机光电设备的微结构，以提高其性能。

    Nov, 2018

  • 基于深度学习的金属 - 绝缘体 - 金属超表面的高准确性预测

    深度学习预测电磁软件计算结果是近年来广泛讨论的问题之一，本研究中，我们提出使用 ResNets-10 模型来预测等离子体元表面的 S11 参数，并通过 k 折交叉验证和小学习率进行两阶段训练，结果显示对于铝、金和银金属 - 绝缘体 - 金属等离子体元表面的预测损失分别为 - 48.45，-46.47 和 - 35.54，由于超低的误差值，该网络可在一定结构范围内替代传统的电磁计算方法进行计算，此外，该网络的训练过程少于 1,100 个 epochs，有效降低了设计过程时间，该提出的 ResNets-10 模型还可用于设计元互衍射器件和生物传感器，从而减少计算过程所需的时间，网络的超低误差表明该研究对未来人工智能电磁计算软件的发展有所贡献。

    Aug, 2023

  • 大核心超材料神经网络的数字建模

    提出了一种新颖的大卷积核变形材料神经网络（LMNN），通过模型重新参数化和网络压缩来最大化最先进的元件网络（MNN）的数字容量，并明确考虑了光学限制，实验结果证明这种优化的混合设计提高了分类准确性同时减少了计算延迟。

    Jul, 2023

  • 通过拓扑优化改进阿尔茨海默病 MRI 图像分析的卷积神经网络

    通过 Fourier 拓扑优化改善磁共振成像，提高卷积神经网络在阿尔茨海默病分类中的准确性，为神经学评估中常见的模糊和对比度不规则等问题提供了改进的解剖学定义，减轻噪声，提供更好的对比度。

    Oct, 2023

  • 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

  • Evolving CNN 拓扑结构的两个新性能改进

    本文介绍了两种新方法，通过直接在训练时间上实现正则化和使用部分训练来尽早评估个体架构，有效地减少了复杂性和训练时间，从而生产出有效地 CNN 拓扑结构，提高图像识别准确率，开销减少达 20%。这两种方法均经 CIFAR10 基准数据集验证以及保持准确度。

    Feb, 2021

  • 金属铸造缺陷检测的高效神经网络方法

    提出了一种轻量级的深度学习模型用于在钢铁制造行业中识别表面缺陷，与 MobileNet、Inception、ResNet 和 Vision transformers 等预训练卷积神经网络相比，该新模型具有更高的准确性和更快的推理速度，并采用了深可分离卷积，全局平均池化层和改进的架构高效性增强技术。

    Aug, 2022

  • 多尺度拓扑优化使用神经网络

    使用神经网络进行直接多尺度拓扑优化的新方法，通过反向均质化来优化每个细胞以实现良好的连接性，持续改善相邻微结构细胞之间的兼容性，实现 n 维多尺度优化问题的 2n 维反向均质化问题。

    Apr, 2024

  • 一种基于条件深度学习的新型拓扑优化方法

    本文提出一种基于条件瓦瑟斯坦生成对抗网络的优化拓扑结构方法，与传统算法相比，该方法计算代价极低，只需要通过深度卷积神经网络模拟限定拓扑优化条件的全局设计空间，且得到的优化方案可以得到验证。

    Jan, 2019