具有细粒度参数优化的深度残余和变异自编码网络:用于随机多边形元面设计的全面和高效框架
Optics express
|August 13, 2025
概括
这项研究引入了一个深度学习框架,用于设计超表面单元结构. 它准确地预测性能,并有效地为各种光学应用程序生成设计.
科学领域:
- 光子学和元材料研究
- 在光学领域的人工智能
- 计算电磁学 计算机电磁学
背景情况:
- 超表面提供了前所未有的对光的控制,但其设计是复杂的.
- 传统的设计方法往往耗时且范围有限.
- 深度学习为加速超表面设计提供了一个有希望的途径.
研究的目的:
- 开发一个统一的深度学习框架,用于前向和反向设计的超表面单位结构.
- 为了提高各种光学功能的预测准确性和生成效率.
- 验证框架在不同频谱范围和设计任务中的适应性.
主要方法:
- 一个基于剩余网络 (ResNet) 的前预测器,具有剩余连接和双卷积模块.
- 一个基于条件变化自编码器 (CVAE) 的反向发生器,具有双卷积解码器.
- 一个层次化的超参数优化策略,用于模型调整.
主要成果:
- 预测模型实现了超过96%的预测准确度,用于超表面属性.
- 反向模型成功地从目标光谱生成了高维结构编码.
- 该框架在设计相调节元面和无色金属层方面表现出强大的适应性和效率.
结论:
- 拟议的深度学习框架为超表面单位结构设计提供了高效和准确的解决方案.
- 前进预测和反向生成的综合方法加速了新型地表功能发现的速度.
- 该框架显示了在可见光谱和中红外光谱中推进地表应用的巨大潜力.


