用于宽带声学隐身衣逆向设计的确定性与概率深度学习模型
应用物理
2021-02-17 v1 计算物理
摘要
长期以来，使物体免受入射波（光和/或声）探测因自然界缺乏波屏蔽材料而如同科幻。然而，人工材料的发明以及用于光波与声波操控的新物理原理，通过使物体声学不可见将这一抽象概念变为现实。在此，我们提出机器学习驱动的声学隐身衣概念，并展示具有多层核-壳配置的此类隐身衣实例。重要的是，我们基于类自编码器的神经网络结构开发了确定性与概率深度学习模型，以反推包围物体的隐身壳的结构与材料属性，从而在宽频谱范围内抑制声散射，仿佛物体不存在。概率模型增强了设计过程的泛化能力，并揭示了实际实现中隐身衣参数对频谱响应的敏感性。该方案为加速设计面向定制频谱响应的智能隐身装置开辟了新途径，并为逆散射问题提供了可行解。
引用
@article{arxiv.2010.14866,
title = {Deterministic and probabilistic deep learning models for inverse design of broadband acoustic cloak},
author = {Waqas W. Ahmed and Mohamed Farhat and Xiangliang Zhang and Ying Wu},
journal= {arXiv preprint arXiv:2010.14866},
year = {2021}
}
备注
25 pages, 14 figures