数据驱动的并发纳米结构优化基于条件生成对抗网络
Arthur Baucour1, Myungjoon Kim1, Jonghwa Shin1
1Department of Materials Science and Engineering, Korea Advanced Institute of Science and Technology, Daejeon 34141, South Korea.
Nanophotonics (Berlin, Germany)
|December 5, 2024
概括
这项研究将条件生成对抗网络 (CGAN) 集成到光学纳米结构设计中,通过学习过程结构关系来弥合模拟和现实世界制造之间的差距,以提高性能.
科学领域:
- 纳米光子学 纳米光子学
- 计算材料科学科学 计算材料科学
- 机器学习应用 机器学习应用
背景情况:
- 代数值优化是设计光学纳米结构的标准.
- 在模拟原始结构和实验测量变形配置文件之间存在性能差距.
- 准确的模拟到制造映射对于可靠的纳米结构设计至关重要.
研究的目的:
- 在光学纳米结构的优化循环中引入条件生成对抗网络 (CGAN).
- 学习和建模制造过程参数与产生的纳米结构形状之间的关系.
- 为了实现纳米结构的数据驱动设计,这些纳米结构可以解释现实世界的制造缺陷.
主要方法:
- 条件生成对抗网络 (CGAN) 集成到代优化中.
- 将优化从结构参数转移到工艺参数 (例如沉积率,回火时间).
- 关于设计基于金属格子的颜色过器 (红色,绿色,蓝色) 的演示.
主要成果:
- CGAN学习了复杂的非线性过程结构关系.
- 生成的模拟配置文件与各种制造条件下的实验数据密切匹配.
- 与原始结构的标准优化相比,基于CGAN的优化产生了更高的优点.
结论:
- 这种数据驱动的方法准确地将制造条件映射到纳米结构设计中.
- 该方法通过专注于制造精确的参数来加速纳米结构设计.
- 最佳的过程参数自动确定,改善实验结果.


