可解释的编码器-预测-重建框架用于预测超表面吸收光谱

科学领域:

• 超表面光学和纳米光子学.
• 计算电磁学和材料科学.
• 人工智能和机器学习在物理学中的应用.

背景情况:

• 从它们的结构中预测超表面吸收光谱是复杂的,涉及复杂的物理和基于麦克斯韦方程的计算密集型模拟.
• 现有的用于光谱预测的人工智能 (AI) 模型往往充当黑子,缺乏透明度,难以确定其预测的物理基础.
• 传统模拟的计算成本阻碍了超表面的快速设计和开发周期.

研究的目的:

• 开发一个可解释的人工智能框架,用于预测超表面吸收光谱.
• 增强对地表结构及其光学特性之间的物理关系的理解.
• 通过提供更快,更易于解释的人工智能驱动的预测来加速超表面的设计和优化.

主要方法:

• 引入可解释编码器预测重建 (EEPR) 框架,该框架将光谱预测分解为特征提取和光谱生成.
• 使用特征级别分析来理解模型的内部运作以及它学习的物理相关性.
• 与传统方法和其他AI模型相比,EEPR框架的准确性,速度和概括能力的定量评估.

主要成果:

• 与主流网络相比,EEPR框架实现了66.23%的平均平均平方误差 (MSE) 减少,MSE为2.843 × 10-4.
• 该模型表现出了显著的速度改进,运行速度大约是麦克斯韦方程模拟的50万倍 (3×10-3秒/样本).
• 该框架提供了特征级别的可解释性,为物理性质提供了洞察力,并通过修改特征来实现对地表吸收光谱的有针对性的调整.

结论:

• EEPR框架提供了一种透明和有效的方法来预测地表吸收光谱,克服了黑子AI模型的局限性.
• 功能级别的可解释性使设计师能够更深入地了解结构与属性关系,培养信任并促进超表面的精细设计.
• 这项工作为通过可解释的人工智能加速发现和优化功能超表面铺平了道路.