超级注意力深度学习用于超级表面传感器的智能开发
Yuan Gao1, Wei Chen1, Fajun Li1
1Institute of Electromagnetics and Acoustics and Key Laboratory of Electromagnetic Wave Science and Detection Technology, Xiamen University, Xiamen, Fujian, 361005, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|September 9, 2024
概括
一个新的可解释的深度学习模型,Metaformer,精确地为先进的传感器设计光学超表面. 这种人工智能方法增强了光谱特征预测,克服了用于超表面应用的传统黑子模型的局限性.
科学领域:
- 光学和光子学 在光学和光子学.
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 光学超表面具有独特的光谱特性,非常适合传感器开发.
- 深度学习 (DL) 加快了超表面设计,但往往作为一个黑子,缺乏物理解释性.
- 传统的DL模型难以准确地捕捉关键的光谱特征,如高质量的共振,限制了它们在高性能传感器设计中的使用.
研究的目的:
- 开发一种可解释的深度学习模型,用于高智能设计光学超表面.
- 克服传统黑盒DL模型在预测精确的光谱响应方面的局限性.
- 为了实现高性能超表面传感器的设计,提高准确性和可解释性.
主要方法:
- 开发一种基于变压器的可解释DL模型,名为Metaformer.
- 实施频谱分割计划,以提高预测准确度和减少培训参数.
- 利用光谱位置编码和多头注意力来解释学习元光学特征.
主要成果:
- 超变器实现了99%的预测准确度,同时将训练参数减少了99%.
- 该模型成功地设计了基于连续体 (Q-BIC) 中的准束状态的全介电超表面,用于高性能超感应.
- 可解释的学习机制为地表传感器操作提供了深刻的物理洞察力,超过了传统的黑子模型.
结论:
- 超变体模型为设计先进的光学超表面提供了一种强大且易于解释的方法.
- 这种人工智能驱动的方法显著提高了传感器应用的超表面设计的精度和可解释性.
- 开发的元注意力机制预计将推动未来的DL应用在光学设备中.
