基于编码器辅助的无监督和监督学习的纳米光子设备的混合反向设计方案

科学领域:

• 纳米光子学 纳米光子学
• 超材料是什么?超材料是什么?
• 机器学习 机器学习

背景情况:

• 机器学习用于纳米光子设备的反向设计.
• 复杂的目标,如多峰频谱,带来了诸如过度适应等挑战.
• 现有的数据驱动方法在复杂的设计要求下扎.

研究的目的:

• 为具有复杂光谱目标的纳米光子设备开发一个改进的反向设计方案.
• 为了解决数据驱动的反向设计方法中的过度匹配问题.
• 提高元材料设计的效率和准确性.

主要方法:

• 提出了一种混合逆向设计方案,将监督和无监督学习结合起来.
• 为数据预处理引入了聚类算法和编码器模型.
• 该方案使用设计用于可调节的双等离子体诱导透明度的超材料进行了验证.

主要成果:

• 混合方案显著降低了训练和测试数据集的平均平方误差 (损失函数) 超过51%.
• 性能与在整个数据集上训练的传统人工神经网络 (ANN) 相比较.
• 使用集群和编码进行有效的数据预处理,提高了模型准确性.

结论:

• 拟议的混合逆向设计方案为纳米光子设备设计任务提供了有效的改进.
• 该方法有效地处理复杂的光谱目标,克服了以前方法的局限性.
• 这项工作为纳米光子学中更复杂的反向设计铺平了道路.