Redes neuronales jerárquicas guiadas por la física para las ecuaciones de Maxwell en metamateriales plasmónicos

Área de la Ciencia:

• La fotónica
• Aprendizaje automático
• Física computacional

Sus antecedentes:

• El aprendizaje automático tradicional (ML) en fotónica requiere datos extensos, lo que limita las aplicaciones prácticas.
• La generación de datos y la formación, que requieren una gran cantidad de recursos, obstaculizan el uso generalizado del aprendizaje automático en fotónica.

Objetivo del estudio:

• Desarrollar un enfoque de aprendizaje automático que reduzca significativamente los requisitos de datos en fotónica.
• Mejorar la consistencia física y la generalización de los modelos ML para aplicaciones fotónicas.

Principales métodos:

• Incorporar las ecuaciones de Maxwell en el diseño y entrenamiento del modelo ML.
• Utilizando un enfoque de aprendizaje automático guiado por la física (PGML).
• Aplicación del método para predecir las distribuciones de campo en embudos fotónicos meta-materiales hiperbólicos.

Principales resultados:

• Se ha demostrado una reducción significativa de los datos de entrenamiento requeridos para los modelos ML.
• Consistencia física mejorada y generalización de los modelos ML desarrollados.
• Se han predicho con éxito las distribuciones de campos complejos en compuestos dieléctricos plasmónicos multicapa.

Conclusiones:

• El aprendizaje automático guiado por la física (PGML) ofrece una solución práctica para ML en fotónica.
• PGML permite el desarrollo de herramientas de aprendizaje automático que no requieren conjuntos de entrenamiento extremadamente grandes.
• El diseño de redes jerárquicas facilita la transferencia de conocimientos y la aparición de teorías de medios efectivos dentro de las redes neuronales.