基于改进 Transformer 与 CGAN 神经网络的人工智能生成太赫兹多谐振超表面
光学
2023-07-25 v1 机器学习
应用物理
摘要
众所周知，使用传统深度神经网络（DNNs）对太赫兹（THz）多谐振石墨烯超表面进行逆向设计泛化能力有限。本文中，我们提出改进的 Transformer 和条件生成对抗神经网络（CGAN），用于基于 THz 多谐振吸收谱的石墨烯超表面逆向设计。与传统多层感知机（MLP）神经网络相比，改进的 Transformer 在 StoV（谱到向量）设计中可获得更高的准确率和泛化性能，而通过 CGAN 实现的 StoI（谱到图像）设计比 MLP 获得的 StoV 设计提供更全面的信息和更高的准确率。此外，改进的 CGAN 能够直接从期望的多谐振吸收谱实现石墨烯超表面图像的逆向设计。结果表明，本工作可推进人工智能生成超表面（AIGM）的设计流程，甚至为利用生成式神经网络开发基于二维材料的复杂 THz 超表面提供有益指导。
引用
@article{arxiv.2307.11794,
title = {Artificial Intelligence-Generated Terahertz Multi-Resonant Metasurfaces via Improved Transformer and CGAN Neural Networks},
author = {Yangpeng Huang and Naixing Feng and Yijun Cai},
journal= {arXiv preprint arXiv:2307.11794},
year = {2023}
}