使用级联环共振器的元材料吸收器,并通过机器学习优化传感应用.

科学领域:

• 超材料研究的研究.
• 计算电磁学的计算.
• 机器学习在物理学中的应用.

背景情况:

• 传统的超材料吸收器 (MA) 设计依赖于计算密集的方法,如有限差异时间域 (FDTD).
• 这些试错模拟是耗时的,并且限制了快速的设计代.
• 需要有效和准确的方法来设计复杂的纳米结构,如级联环共振器.

研究的目的:

• 为窄带元材料吸收器 (MA) 开发一个具有成本效益和时间效率的设计框架.
• 使用适应性神经模糊推理系统 (ANFIS) 作为传统FDTD模拟的替代方案.
• 为了证明ANFIS模型在基于几何参数的MA吸收预测能力.

主要方法:

• 设计了一种使用金属-绝缘体-金属 (MIM) 结构与级联环共振器 (RR) 的窄带元材料吸收器 (MA).
• 采用了自适应神经模糊推理系统 (ANFIS),一种混合神经网络和模糊逻辑模型,用于吸收预测.
• 使用四个几何参数作为ANFIS模型的输入变量,并使用根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 验证性能,并进行5倍交叉验证.

主要成果:

• 该ANFIS模型实现了高预测精度,RMSE为0.0811和MAE为0.062.
• 与传统的FDTD方法相比,ANFIS显示大约节省了90%的时间.
• 拟议的MA显示了几乎完美的吸收,并实现了高灵敏度 (600nm/RIU) 的传感器.

结论:

• 安菲斯为设计元材料吸收器提供了一个高度准确和显著更快的替代方案.
• 拟议的超材料吸收器在传感应用中表现出卓越的性能.
• 可调节和紧的MA设计具有各种应用的潜力,包括太阳能电池,传感器和隐形技术.