深度学习辅助设计高Q值介电金属表面结构
Junchan Liao1,2, Zhenxiang Shi2, Dihang Dou2
1Department of Precision Instrument, Tsinghua University, Beijing 100084, China.
Materials (Basel, Switzerland)
|April 24, 2025
概括
研究人员开发了一种快速,准确的神经网络,用于预测介电元表面的光谱反应. 这加速了光学传感器的设计,用于生物学,医学和食品安全方面的应用.
科学领域:
- 光学和光子学 在光学和光子学.
- 材料科学 材料科学 材料科学
- 计算物理 计算物理
背景情况:
- 光学传感技术对于检测生物,医学和食品安全方面的物质性质变化至关重要.
- 介电超表面由于其共振性质,可以提高材料检测的灵敏度和速度.
- 对于超表面设计的传统电磁模拟是计算密集且耗时的.
研究的目的:
- 为介电元表面的振幅光谱提出一个新的前预测网络.
- 为了解决金属表面设计中传统方法的缓慢计算速度.
- 提高设计高质量因子 (Q值) 共振介电元表面的效率.
主要方法:
- 开发一种前预测神经网络,用于介电元表面振幅谱.
- 使用电磁模拟来确定共振波长.
- 采用转移学习来适应近红外传输频谱预测的网络.
主要成果:
- 拟议的神经网络的平均平方误差始终低于10-3.
- 该网络在不到1秒的时间内完成了预测,证明了其高精度能力.
- 转移学习成功地应用了网络来预测高Q值元表面的近红外光谱.
结论:
- 开发的神经网络显著提高了介电超表面设计的效率.
- 该网络展示了高精度和速度的光谱响应预测.
- 拟议的模型可以作为预测各种介电元表面的光谱反应的通用支柱.
