一种用于双极化波超表面逆向设计的深度学习方法
机器学习
2021-11-10 v2 经典物理
摘要
与传统的超表面设计相比，基于机器学习的方法近期为超表面的逆向实现提供了一个令人鼓舞的平台。在此，我们使用深度神经网络(DNN)在超宽工作频带内为TE和TM极化波生成所需的输出单元结构。为了自动生成工作频率范围从4到45 GHz的超表面，我们特意设计了一种8环图案，使得数据集中生成的单元能在所需工作频带内产生单陷波或多陷波。相较于最终超表面结构可由任意随机分布的“0”和“1”组成的通用方法，我们在此提出一种受限输出结构。通过限制输出，计算量将减少且学习速度将提高。此外，我们已表明网络的准确率达到91%。无需任何耗时的优化算法即可直接获得TE和TM极化波的最终单元，且平均准确率较高，这为实现一种有效的超表面设计策略提供了前景；因此，设计者只需专注于设计目标。
引用
@article{arxiv.2105.08508,
title = {A deep learning approach for inverse design of the metasurface for dual-polarized waves},
author = {Fardin Ghorbani and Javad Shabanpour and Sina Beyraghi and Hossein Soleimani and Homayoon Oraizi and Mohammad Soleimani},
journal= {arXiv preprint arXiv:2105.08508},
year = {2021}
}