使用可逆神经网络进行端到端的多元元地表设计和评估
Yunxiang Wang1, Ziyuan Yang2, Pan Hu1
1Ming Hsieh Department of Electrical Engineering, University of Southern California, Los Angeles, CA 90089, USA.
Nanomaterials (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了可逆神经网络 (INN) 以实现高效的超表面设计,通过同时建模前向和反向过程来克服反向设计的挑战,用于新型光学应用.
科学领域:
- 光学和光子学 在光学和光子学.
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 深度学习模型为超表面设计提供了准确性和效率.
- 传统的框架使用单独的模型进行前进 (响应预测) 和后退 (设计生成) 路径.
- 反向设计中的一对多映射对深度学习模型来说是一个重大挑战.
研究的目的:
- 开发一个高效和自动化的端到端地表设计框架.
- 为了应对逆向设计中的一对多映射的挑战.
- 提高基于深度学习的超表面设计的效率和有效性.
主要方法:
- 利用可逆神经网络 (INN) 同时建模前向和反向过程.
- 将INN与自动设计和评估的角度光谱方法集成.
- 训练INN以隐式捕获反向过程的概率模型,在参数空间上恢复完整的后部.
主要成果:
- 开发了一个高效的,自动化的,端到端的超表面设计和评估框架.
- 能够生成在训练数据中不存在的新型超表面设计.
- 成功设计了高效的金属镜头和双极化超表面全息图.
结论:
- INN方法为光学反向设计问题提供了一种一般方法.
- 这种框架显著加快了超表面设计过程,消除了人类干预.
- 该方法超越了介电超表面设计的范围,扩展到各种光学领域.
