概括
本研究介绍了一种用于设计微波吸收器的机器学习方法. 新型神经网络有效地优化了定制吸收光谱的结构和材料参数,缩短了设计时间.
科学领域:
- 电磁学和材料科学 电磁学和材料科学
- 应用物理 应用物理
- 计算工程 计算工程
背景情况:
- 设计具有量身定制的光谱响应的微波吸收器是复杂的,因为许多参数,导致漫长和昂贵的优化过程.
- 机器学习 (ML) 为优化电磁设备中这些复杂的设计参数提供了一个有希望的解决方案.
- 超表面为操纵电磁波提供了一个多功能平台,使先进的吸收器功能成为可能.
研究的目的:
- 使用机器学习开发微波吸收器高效的反向设计方法.
- 为了使特定的吸收光谱的结构和材料参数可以在没有专家干预的情况下进行优化.
- 探索优化额外的物理属性,如吸收器厚度,使用软约束.
主要方法:
- 开发了一种多层超表面吸收器的分析模型.
- 为反向设计提出了一个受约束的双重神经网络,将所需的吸收光谱与物理参数联系起来.
- 神经网络被应用于设计宽带微波吸收器,考虑到因果关系的限制.
主要成果:
- 神经网络成功地为给定的吸收频谱提供了优化的结构和材料参数.
- 该方法允许优化吸收器厚度以及光谱特征.
- 宽带微波吸收器的设计厚度接近从克拉默斯-克罗尼格关系得出的因果关系极限.
结论:
- 拟议的反向设计方法显著加速了微波吸收器的设计.
- 这种基于机器学习的方法使设计过程民主化,减少了对专业专业知识的需求.
- 这项工作为物理电磁设备的逆向工程提供了新的见解.
