一个代理辅助的扩展生成对抗网络,用于自由形式的超表面设计中的参数优化
Manna Dai1, Yang Jiang2, Feng Yang1
1Computing and Intelligence Department, Institute of High Performance Computing, Agency for Science, Technology and Research (A*STAR), 138632, Singapore.
概括
本研究介绍了XGAN,这是一种深度学习模型,可以快速设计复杂的自由形式的5G通信元表面. XGAN以 500 倍的速度加快了超表面设计,并具有高精度,从而实现了高效的图书馆创建.
科学领域:
- 电磁学和元材料的使用
- 在工程领域的人工智能.
背景情况:
- 超表面对于5G微波通信至关重要.
- 自由形式的元表面在正规形状上提供了优越的光谱响应控制.
- 对于自由形式的超表面的传统设计方法是缓慢的,需要专业知识.
研究的目的:
- 开发一种加速和准确的方法来设计自由形式的超表面.
- 为了利用深度学习来实现元表面的反向设计.
- 创建一个物理上受约束的生成对抗网络 (GAN) 用于超表面合成.
主要方法:
- 一个扩展的生成对抗网络 (XGAN) 被开发出来.
- 一个具有物理限制的代孕模型被集成到XGAN中.
- XGAN 经过训练,可以直接从光谱响应中生成元表面.
主要成果:
- 在生成2万个自由形式的超表面设计时,XGAN实现了0.9734的平均精度.
- 提出的方法比传统的数值技术快500倍.
- 采用XGAN方法,可以确保准确地产生元表面的单体生成.
结论:
- XGAN显著加速了高质量的自由形式元表面的设计.
- 这种方法有助于为特定的光谱要求构建超表面图书馆.
- 该方法可以扩展到光学和材料科学中的各种反向设计挑战.
