Jul, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 基于人工智能的太赫兹超表面频谱预测中的频率信息非均匀分布的出现

    通过利用人工智能预测多频输入对特定频谱进行调制，可以显著提高网络的预测准确性，从而优化现有数据集的利用并为人工智能、化学、复合材料设计、生物医学等领域的跨学科研究和应用铺平道路。

    Dec, 2023

  • 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

  • 全电介质超表面反向设计的神经 - 共轭方法

    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。

    Dec, 2020

  • 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

  • 联合感知、通信和人工智能：强韧 THz 用户体验的三重关键

    本文提出了一种新的联合感知、通信和人工智能（AI）框架，以优化太赫兹（THz）无线系统上的扩展现实（XR）体验，通过利用 THz 通道的稀疏性提取独特的 XR 用户和环境感知参数，并且整合 AI 预测缺失和未来的感知信息，并开发了多智能体深度循环 Q - 神经网络来控制重构智能表面（RIS）子阵列的切换策略，以提高 THz 链路的健壮性和可靠性。

    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

  • 基于代理辅助的扩展生成对抗网络在自由形式超表面设计中的参数优化

    XGAN 是一种扩展的生成对抗网络（GAN），具有用于高质量自由形态超表面设计的代理。该方法可以从输入的光谱响应准确生成超表面，是传统方法的 500 倍快速，适用于光学超材料、纳米光子器件和药物发现等多种反向设计问题。

    Oct, 2023

  • 用于智能可重构 THz MIMO-NOMA 网络的图嵌入多智能体学习

    提出了一种基于可重构智能表面技术实现的智能 THz MIMO-NOMA 通信框架，并采用分布式智能算法，完成网络中多个访问点协同优化查询的过程，通过了高定制、高效能和低延迟等测试。

    Jul, 2021

  • 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

  • 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