转移学习用于元材料设计和模拟.
Rixi Peng1, Simiao Ren1, Jordan Malof2,1
1Electrical and Computer Engineering, Duke University, Durham, NC, USA.
Nanophotonics (Berlin, Germany)
|December 5, 2024
概括
转移学习增强了对 metasurface 阵列的深度学习模型训练. 这种方法显著降低了数据需求,通过最小的训练数据实现了高精度.
科学领域:
- 电磁主义 电磁主义
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 深度学习模型,特别是残余神经网络 (ResNets),需要大量的数据来进行有效的培训.
- 在电磁应用中至关重要的元表面阵列,存在复杂的多尺度问题,模拟需要大量的数据.
- 数据瓶是将深度学习应用于新型超表面设计的重大挑战.
研究的目的:
- 展示转移学习作为一种提高培训深度学习模型对 metasurface 阵列的效率的方法.
- 评估跨不同问题领域的转移学习的有效性,与最初的培训任务有不同程度的相似性.
- 为了减轻深度学习中的数据瓶,用于电磁超材料研究.
主要方法:
- 利用剩余神经网络 (ResNets) 进行深度学习模型培训.
- 采用准分析的离散二极距近似 (DDA) 方法来模拟电气上大型的超表面阵列.
- 应用转移学习,使预先训练的ResNet模型适应新的超表面设计问题.
主要成果:
- 转移学习大大减少了训练深度学习模型所需的数据量.
- 在最佳传输场景中,通过预训练的神经网络实现了3%的测试平均绝对相对误差.
- 在最佳情况下,转移学习应用程序的数据减少了1000倍.
- 展示了跨越相关电磁超材料问题的频谱的转移学习的效率.
结论:
- 转移学习是一种强大的工具,可以加速超表面阵列的设计和分析.
- 这种方法有效地克服了电磁超材料深度学习中的数据瓶.
- 通过转移学习利用预先训练的模型,即使使用有限的数据,也可以实现快速训练和高精度.


