Aprendizaje de transferencia profunda anidado para el modelado de películas delgadas multicapa

Área de la Ciencia:

• La nanofotónica
• Ciencias de los materiales computacionales
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• El aprendizaje automático (ML) se utiliza cada vez más en la nanofotónica para predecir propiedades ópticas y diseñar estructuras.
• La adquisición de datos de entrenamiento para estructuras nanofotónicas complejas a través de simulaciones es computacionalmente costosa y requiere mucho tiempo.
• El aprendizaje por transferencia tradicional ofrece beneficios, pero tiene limitaciones para tareas más complejas.

Objetivo del estudio:

• Introducir un nuevo enfoque de aprendizaje de transferencia anidada para superar los desafíos de adquisición de datos en nanofotónica.
• Permitir el modelado preciso de pilas de película delgada con una mayor complejidad óptica de lo que se podía lograr anteriormente.
• Reducir los requisitos de datos para el entrenamiento de modelos predictivos en nanofotónica.

Principales métodos:

• Se desarrolló una estrategia de aprendizaje de transferencia anidada, entrenando modelos secuencialmente en estructuras de complejidad creciente.
• Se utilizó una red neuronal recurrente bidireccional para el modelo avanzado para predecir propiedades ópticas.
• Se empleó una red de densidad de mezcla convolucional para el modelo inverso para diseñar estructuras.
• Se incorporó una elección de material relajado en cada capa para una mayor versatilidad.

Principales resultados:

• Los modelos de aprendizaje de transferencia anidada lograron una alta precisión en la recuperación de espectros arbitrarios complejos.
• Los modelos coincidieron con éxito con espectros idealizados para aplicaciones específicas, como emisores térmicos selectivos.
• El enfoque demostró la capacidad de manejar pilas de película delgada con una complejidad óptica significativamente mayor.
• Los requisitos de datos para la formación se mantuvieron modestos, mostrando una mejora en la eficiencia de los datos.

Conclusiones:

• El enfoque de aprendizaje de transferencia anidado propuesto aborda efectivamente el desafío de los datos de capacitación limitados en nanofotónica.
• Este método permite el diseño preciso y la predicción de estructuras nanofotónicas complejas.
• La técnica ofrece una solución prometedora y versátil para acelerar la investigación y el desarrollo en nanofotónica.