A3SA：基于伴随灵敏度分析的高级数据增强
光学
2023-11-07 v2 计算物理
摘要
创新的机器学习技术促进了光子结构的逆向设计在众多实际应用中的发展。然而，在这些方法中，数据量和初始数据分布对于发现高效光子器件至关重要。这些器件常需要从数千到数十万个数据点的模拟数据。该问题一直是基于机器学习的光子设计问题的主要障碍。因此，我们提出了一种基于伴随方法的新型数据增强算法，能够生成超过原始数据量 300 倍的数据，同时提升器件效率。伴随方法可预测由结构扰动引起的品质因数（FoM）变化，仅需两次全波麦克斯韦模拟即可完成该预测。利用伴随梯度值，我们可在无额外计算的情况下增强并标注数千个新数据点。此外，由于伴随梯度能精确预测 FoM 变化，所提算法生成的增强数据展现出显著改善的 FoM。我们将该算法应用于多层超透镜设计问题，并证明其数据生成效率因此提升 343 倍。将该算法纳入生成对抗网络（GAN）后，优化后的超透镜展现出 92.93% 的最大聚焦效率，接近理论上界（93.80%）。
引用
@article{arxiv.2310.19291,
title = {A3SA: Advanced Data Augmentation via Adjoint Sensitivity Analysis},
author = {Chanik Kang and Dongjin Seo and Svetlana V Boriskina and Haejun Chung},
journal= {arXiv preprint arXiv:2310.19291},
year = {2023}
}
备注
12 pages, 6 figures