概括
本研究介绍了一种转移学习方法,用于训练使用显著较少数据的超表面设计模型. 这种方法使不同地表功能之间的知识转移成为可能,从而减少对逆向设计任务的数据要求.
科学领域:
- 地表表面设计设计.
- 计算电磁学的计算.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 超表面设计往往需要大型数据集来进行反向设计.
- 具有不同功能的异质超表面数据集对模型培训构成挑战.
- 转移学习提供了一个潜在的解决方案,以减轻科学领域的数据稀缺.
研究的目的:
- 提出一个转移学习方法,用于 metasurface 逆向设计.
- 为了实现跨异质的 metasurface 数据集的知识转移,具有不同的功能.
- 为了降低训练超表面反向设计模型的数据值.
主要方法:
- 通过微调反向设计神经网络,利用转移学习方法.
- 结隐藏层的参数,以保存已学习的功能.
- 将知识从电磁诱导透明度 (EIT) 域转移到吸收和相控超表面域.
主要成果:
- 成功地将Metasurface反向设计知识转移到新的领域.
- 完成了至少700个目标域样本的培训,明显低于源域要求.
- 对EIT (不同的设计),吸收和阶段控制的超表面进行有效的知识转移.
结论:
- 拟议的转移学习方法有效降低了超表面反向设计的数据值.
- 这项工作突出了不同地表数据集和功能之间知识转移的潜力.
- 这些发现为更高效和数据驱动的超表面设计铺平了道路.
