概括
这项研究优化了卷积神经网络 (CNN) 使用遗传算法 (GA) 来预测反共振纤维 (ARF) 中的限制损失 (CL). 该模型达到90.6%的准确性,为纤维设计提供了有限元素方法的更快的替代方案.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算物理 计算物理
- 材料科学 材料科学 材料科学
背景情况:
- 准确预测反共振纤维 (ARF) 中的封闭损失 (CL) 对于它们在各种光子设备中的应用至关重要.
- 像有限元法 (FEM) 这样的传统方法是计算密集型和耗时的,阻碍了快速的光纤设计和优化.
- 由于参数定义的多样化,现有的模型经常与多样化的ARF结构作斗争.
研究的目的:
- 在广泛的ARF结构中开发一个高度准确和通用的模型来预测CL.
- 与FEM相比,大大降低CL预测所需的计算成本和时间.
- 为了使ARF的设计过程更快,更有效.
主要方法:
- 采用遗传算法 (GA) 来优化卷积神经网络 (CNN) 来进行CL预测.
- 利用点来统一描述各种ARF结构,增强模型的概括性.
- 将预测模型与粒子群优化算法 (PSO) 集成为ARF设计.
主要成果:
- 获得了90.6%的CL大小的预测准确度,这是迄今为止在各种ARF结构中单个模型中报告的最高水平.
- 通过使用结构描述的点来证明模型能够在不同的ARF设计中进行概括.
- 通过其在PSO驱动的ARF设计中的应用来验证模型的预测准确性和多功能性.
结论:
- 与FEM相比,GA优化的CNN模型在ARF中为CL预测提供了显著的加速.
- 新的点表示增强了对各种ARF结构的模型概括性.
- 这种方法加快了ARF的设计周期,使其成为光子设备开发的宝贵工具.
