基于深度学习的反向设计 随机拓学元材料用于雷达横截面减小
Chao Zhang1, Chunrong Zou2, Shaojun Guo2
1School of Electronic Science and Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China.
Materials (Basel, Switzerland)
|November 13, 2025
概括
本研究引入了用于设计电磁元材料的深度学习模型,使得1位编码元材料的快速反向设计能够显著减少雷达截面 (RCS). 这种方法加速了设计过程,克服了传统方法的局限性.
科学领域:
- 电磁超材料 电磁超材料
- 在电磁学的深度学习.
- 计算电磁学 计算机电磁学
背景情况:
- 电磁 (EM) 超材料具有独特的特性,但传统设计受到特定拓的限制.
- 随机拓提供了多样化的EM属性,但需要大量的计算资源和设计师专业知识来优化.
- 目前的设计流程耗时,严重依赖全波模拟.
研究的目的:
- 为高效的电磁元材料设计开发一个深度学习框架.
- 建立超材料结构和电磁反应之间的快速映射,取代缓慢的模拟.
- 为了实现应用程序的反向设计,如1位编码元材料.
主要方法:
- 利用了一个深度学习代理模型,将一个卷积块注意力模块增强的变化自编码器 (CBAM-VAE) 与基于变压器的预测器相结合.
- CBAM-VAE增强了元材料结构的特征提取和重建.
- 变压器预测器使用仅编码器配置来有效地从潜在变量预测EM响应.
主要成果:
- 经过训练的模型迅速生成了两个用于1位编码元材料的单元.
- 与金属板相比,设计的编码元材料实现了雷达截面 (RCS) 从6到18 GHz减少超过10dB.
- 该框架需要很少的数据来进行培训,这大大降低了计算成本.
结论:
- 深度学习方法为设计EM超材料提供了一个新且高效的视角.
- 模拟和实验结果验证了拟议设计方法的可靠性和有效性.
- 这一框架加速了具有定制电磁反应的超材料的发现.
