预测和合成太赫兹伪造表面等离子体极子子子装置与卷积神经网络模型
Vahid Najafy1, Bijan Abbasi-Arand2, Maryam Hesari-Shermeh3
1Department of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, 14115-194, Iran. vnajafy3@gmail.com.
Scientific reports
|January 24, 2025
概括
一个新的卷积神经网络 (CNN) 预测了金属结构的假表面等离子极子,加速了传感器和吸收器的设计. 这种深度学习方法提高了电磁分析的速度和准确性.
科学领域:
- 电磁学和光学 电磁学和光学
- 应用物理 应用物理
- 材料科学 材料科学 材料科学
背景情况:
- 深度学习,特别是卷积神经网络 (CNN),越来越多地应用于电磁问题.
- 预测电磁性质的传统数值方法是计算密集的.
- 预测伪造表面等离子极子子 (SSPPs) 对于设计先进的光学和传感器件至关重要.
研究的目的:
- 提出一个CNN来有效预测SSPP和金属多层格子结构 (MMGS) 的吸收光谱.
- 为了使传感器设备和吸收器的快速设计和分析.
- 提供更大的设计灵活性,包括材料和冲击角的规格.
主要方法:
- 一个卷积神经网络 (CNN) 为预测SSPP特征而开发.
- 一种半分析方法,严格的合波分析 (RCWA),增强了快速富里埃因子分解 (FFF),用于加速数据生成.
- 对于各种结构,CNN的预测准确性与传统方法相比得到了验证.
主要成果:
- 拟议的CNN准确地预测SSPP及其强度在110%的频率范围内.
- 由于使用RCWA-FFF有效生成数据,培训过程得到了显著加快.
- 美国有线电视新闻网 (CNN) 的预测能力与传统方法相提并论,设计灵活性增加.
结论:
- 开发的CNN为分析MMGS和设计电磁设备的传统方法提供了快速而准确的替代方案.
- 该框架允许前所未有的控制事件介质材料和冲击角度.
- 这项研究成功地证明了使用CNN和遗传优化进行太赫兹频段传感器和吸收器的反向设计.
