一个深度神经网络用于一般的散射矩阵
Yongxin Jing1, Hongchen Chu1, Bo Huang2
1National Laboratory of Solid State Microstructures, School of Physics, and Collaborative Innovation Center of Advanced Microstructures, Nanjing University, Nanjing 210093, China.
Nanophotonics (Berlin, Germany)
|December 5, 2024
概括
一个新的深度神经网络 (DNN) 能够有效地计算复杂物体的散射矩阵,克服传统数值方法的局限性. 这种人工智能方法在保持物理定律的同时,加速了数千倍的计算.
科学领域:
- 计算物理学的计算物理.
- 电磁学 电磁学 电磁学 电磁学
- 人工智能的人工智能是人工智能.
背景情况:
- 散射矩阵描述了物体如何与波相互作用.
- 分析解决方案仅限于高度对称的散射器.
- 像有限元解法器这样的数值方法是计算密集的.
研究的目的:
- 开发一种快速准确的方法来计算散射矩阵.
- 为了分析缺乏对称性的散射器.
- 探索分散现象的反向设计能力.
主要方法:
- 训练一个深度神经网络 (DNN) 来计算散射矩阵.
- 使用梯度下降用于反向设计应用.
- 验证DNN保持物理原理 (节能,互惠) 的能力.
主要成果:
- DNN计算散射矩阵的速度是有限元解法器的数千倍.
- 计算的散射矩阵本质上满足了基本的物理定律.
- 证明了具有特定散射特性的散射器的成功反向设计.
结论:
- 深度学习为分散问题提供了计算效率高的解决方案.
- 开发的DNN为分析和设计复杂的散射器提供了一个强大的工具.
- 这种方法加速了电磁学和波散射的研究.
