基于深度学习的宽带 GHz 复杂与随机超表面设计
信号处理
2024-06-19 v1 应用物理
光学
摘要
我们旨在探索利用深度学习（DL）研究复杂与随机超表面电磁响应能力的极限，不针对任何特定应用。为简洁起见，我们聚焦于 2 至 12 GHz 频段内宽带电磁（EM）平面波正入射此类复杂超表面的简单纯反射问题。为此，我们创建了名为超表面设计深度卷积神经网络（MSDCNN）的基于深度学习（DL）的框架，用于三类不同复杂超表面的正向与逆向设计：（a）任意连通多边形，（b）基本图案组合，以及（c）完全随机二值图案。对各超表面性能进行了评估与交叉对比。取决于复杂超表面类型、样本量及所用 DL 算法，MSDCNN 能给出良好一致性，并可作为比传统全波电磁仿真方法更快的复杂超表面设计工具。然而，基于详细统计分析（如均值、方差、峰度、均方误差），不存在单一通用深度卷积神经网络（DCNN）模型可适用于所有超表面类别。我们的发现报告了当前 DL 模型在设计这些极复杂超表面中的优势与局限的重要信息。
引用
@article{arxiv.2110.12999,
title = {Deep learning-based design of broadband GHz complex and random metasurfaces},
author = {Tianning Zhang and Chun Yun Kee and Yee Sin Ang and L. K. Ang},
journal= {arXiv preprint arXiv:2110.12999},
year = {2024}
}
备注
32 pages, 14 figures, 1 table. Accepted in APL Photonics (2021)