高不对称度元表面:通过主动学习增强扩散模型为太赫兹共振提供新的解决方案

科学领域:

• 超材料科学科学 超材料科学
• 物理学中的人工智能
• 特拉赫兹技术的技术

背景情况:

• 高图值 (高FoM) 特拉赫兹 (THz) 超材料对于先进的传感器,探测器和成像器至关重要.
• 传统的超材料设计往往依赖于对称结构,由于低效的试错方法,限制了对高不对称性设计的探索.
• 目前用于元材料设计的深度学习方法受到大量数据要求的阻碍.

研究的目的:

• 开发一种新型的生成模型,用于设计具有高FoM共振的高不对称性Terahertz超材料.
• 在元材料设计中克服传统深度学习方法的数据限制.
• 通过创新的结构设计,提高THz半导体的性能.

主要方法:

• 采用了以先前知识为导向的生成模型,特别是先进的扩散模型.
• 该模型从古典高FoM THz共振结构的小数据集中学习了特征.
• 整合了受物理限制的积极学习机制,以选择和增强训练数据集以有前途的生成结构.

主要成果:

• 生成模型成功设计了具有高不对称性的新型超材料结构.
• 实验验证显示,与经典设计相比,生成的高不对称性元材料的共振性能优越,关键指标提高了30%以上.
• 设计过程使用仅68个经典结构的非常小的初始培训数据集实现了这些结果.

结论:

• 提出的方法为设计高FoM不对称的元材料提供了有效和高效的解决方案.
• 这种方法显著减少了基于深度学习的元材料设计的数据依赖.
• 这些发现为高灵敏度THz半导体设备的更广泛应用铺平了道路.