Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: May 9, 2025

Lensless Fluorescent Microscopy on a Chip
11:23

Lensless Fluorescent Microscopy on a Chip

Published on: August 17, 2011

17.6K

在主动学习中,卷积神经网络的反向二进制优化有效地设计了纳米光子结构.

Jaehyeon Park1, Zhihao Xu2, Gyeong-Moon Park3

  • 1Department of Electronic Engineering, Kyung Hee University, Yongin-si, Gyonggi-do, 17104, Republic of Korea.

Scientific reports
|April 30, 2025
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

The mtROS-Mitophagy Axis: A Decisive Redox Hub Governing Cell Fate in Myocardial Ischemia-Reperfusion Injury.

Cardiovascular toxicology·2026
Same author

Preserving bare mudflats reduces methane emissions: Implications for coastal wetland management.

Journal of environmental management·2026
Same author

A review of the application of novel intervertebral disc diagnostic technologies integrated with artificial intelligence in medical imaging.

Digital health·2026
Same author

Cuproptosis-immunity crosstalk informs strategy to overcome immunotherapy resistance.

Cell·2026
Same author

Multimorbidity Patterns and Cognitive Transitions Among the Elderly in China: The Longitudinal Evidence From CLHLS.

Asia-Pacific journal of public health·2026
Same author

Haplotype-resolved methylomes reveal parent-of-origin DNA methylation imbalance in autism spectrum disorder.

Science advances·2026

本研究介绍了一种新的反向二进制优化 (IBO) 方法,使用卷积神经网络 (CNN) 来设计纳米光子结构. 与因子化机器基于量子化 (FM-QA) 相比,CNN-IBO有效地用更少的数据找到最佳设计.

科学领域:

  • 计算材料科学 计算材料科学
  • 纳米光子工程的工程学
  • 机器学习应用程序 机器学习应用程序

背景情况:

  • 积极学习方案用于优化纳米光子学和材料设计.
  • 带有量子回火 (QA) 的因子化机器 (FM) 是当前的方法,但由于其二次性质,它们在复杂的设计空间中扎.

研究的目的:

  • 引入使用卷积神经网络 (CNN) 的反向二进制优化 (IBO) 方案,作为二进制优化中积极学习的更有效的替代模型.
  • 评估CNN-IBO框架在优化复杂纳米光子结构方面的性能.

主要方法:

  • 开发了一个反向二进制优化 (IBO) 方案,使用预先训练的卷积神经网络 (CNN) 作为替代模型.
  • 在CNN-IBO框架内使用逆向错误传播来优化输入二进制向量.
  • 与使用纳米光子设计 (平面多层,分层格子结构) 的FM-QA对比CNN-IBO方法.

主要成果:

  • 在CNN-IBO框架成功优化纳米光子设计.
  • 与FM-QA相比,CNN-IBO使用较少的积极积累的训练数据实现了最佳设计.
  • 证明了基于CNN的替代函数在二进制优化主动学习中的卓越效率和有效性.

结论:

关键词:
积极学习是指积极学习.二进制优化二进制优化卷积神经网络是一种卷积神经网络.反向优化是一种反向优化.纳米光子学 纳米光子学

更多相关视频

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

8.9K
Fabrication and Operation of a Nano-Optical Conveyor Belt
11:10

Fabrication and Operation of a Nano-Optical Conveyor Belt

Published on: August 26, 2015

11.5K

相关实验视频

Last Updated: May 9, 2025

Lensless Fluorescent Microscopy on a Chip
11:23

Lensless Fluorescent Microscopy on a Chip

Published on: August 17, 2011

17.6K
Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

8.9K
Fabrication and Operation of a Nano-Optical Conveyor Belt
11:10

Fabrication and Operation of a Nano-Optical Conveyor Belt

Published on: August 26, 2015

11.5K
  • 拟议的CNN-IBO方法为复杂设计空间的二进制优化提供了一种强大而高效的方法.
  • CNN-IBO显示了加速发现最佳纳米光子和材料设计的巨大潜力.
  • 该框架通过利用深度学习模型的代表性力量来推进积极学习策略.