多層薄膜のモデリングのための内蔵型深層移転学習

科学分野:

• ナノフォトニクス
• コンピュータ材料科学
• 機械学習アプリケーション

背景:

• 機械学習 (ML) は,光学特性を予測し,構造を設計するために,ナノフォトニクスでますます使用されています.
• 複雑なナノフォトニック構造のトレーニングデータをシミュレーションで取得することは計算的に高価で時間がかかります.
• 伝統的な移転学習は利点がありますが,より複雑なタスクには限界があります.

研究 の 目的:

• ナノフォトニクスにおけるデータ取得の課題を克服するために,新しいネストされた転送学習アプローチを導入する.
• 以前に達成可能なより高い光学的複雑性を持つ薄膜のスタックの正確なモデリングを可能にします.
• ナノフォトニクスの予測モデルを訓練するためのデータ要件を減らす.

主な方法:

• 複合性の増大する構造に順番にモデルを訓練する ネストされた移転学習戦略が開発されました.
• フォワードモデルでは光学特性を予測するために双方向リキュアントニューラルネットワークを使用した.
• 構造を設計する逆モデルでは,コンボリューション混合密度ネットワークが採用された.
• リラックスした素材の選択が各層に組み込まれ,多用途性が向上しました.

主要な成果:

• ネストされた移転学習モデルは,複雑な任意のスペクトルを取得する際に高い精度を達成しました.
• このモデルは,選択的な熱放出器のような特定のアプリケーションのための理想化されたスペクトルと成功裏にマッチした.
• このアプローチは,光学的にかなり複雑な薄膜のスタックを扱う能力を示した.
• 訓練のデータ要求は控えめであり,データ効率が向上した.

結論:

• ナノフォトニクスにおける限られた訓練データという課題を効果的に解決する.
• この方法は,複雑なナノフォトニック構造の正確な設計と予測を可能にします.
• この技術は,ナノフォトニクスの研究開発を加速させるため,有望で汎用的なソリューションを提供します.