Selección de datos bayesianos aumentados: mejora de las predicciones de aprendizaje automático de Bragg Grating...

Área de la Ciencia:

• Fotónica y tecnología de sensores
• Aplicaciones de aprendizaje automático
• Ciencias de los materiales computacionales

Sus antecedentes:

• Las rejillas de Bragg son vitales para la detección debido a su sensibilidad y sintonizabilidad.
• El diseño de rejillas de Bragg requiere extensos datos de simulación, a menudo escasos.
• Los modelos de aprendizaje automático necesitan datos de entrenamiento informativos para un diseño eficiente.

Objetivo del estudio:

• Desarrollar una estrategia eficiente de adquisición de datos para el diseño de sensores de rejilla de Bragg.
• Mejorar el rendimiento del modelo de aprendizaje automático en escenarios con datos limitados.
• Para optimizar el diseño y la simulación de los sensores de rejilla Bragg.

Principales métodos:

• Se empleó un enfoque de optimización bayesiana aumentada.
• Se integró un criterio de diversidad basado en la distancia para seleccionar puntos de datos informativos.
• El método prioriza los puntos de datos más alejados de los conjuntos de datos existentes cuando los valores de adquisición son similares.

Principales resultados:

• El énfasis en la diversidad de salida durante la adquisición de datos mejoró significativamente el rendimiento del modelo.
• El enfoque es particularmente efectivo para respuestas ópticas complejas en rejillas de Bragg.
• Se compararon diferentes funciones de ajuste analítico (polinomio, gaussiano) para evaluar el impacto de la complejidad.

Conclusiones:

• El método propuesto proporciona un marco escalable para generar datos de simulación de alta calidad.
• Esta estrategia es crucial para optimizar el diseño de sensores de rejilla de Bragg en entornos con escasez de datos.
• Los hallazgos tienen implicaciones directas para el avance de la próxima generación de tecnologías de detección basadas en rejillas de Bragg.