基于扩散概率模型的准确高自由度超表面逆向设计
机器学习
2023-12-11 v1 光学
摘要
传统的超原子设计严重依赖研究人员的先验知识和使用全波仿真的试错搜索，导致过程耗时且低效。基于优化算法（如进化算法和拓扑优化）的逆向设计方法已被引入用于设计超材料。然而，这些算法都不足以通用到完成多目标任务。近来，以生成对抗网络（GANs）为代表的深度学习方法已应用于超材料的逆向设计，其可根据S参数需求直接生成高自由度超原子。但GANs的对抗训练过程使网络不稳定，并导致较高的建模成本。本文提出一种基于扩散概率理论的新颖超材料逆向设计方法。通过学习将原始结构转换为高斯分布的马尔可夫过程，所提方法可从高斯分布出发逐步去除噪声，生成满足S参数条件的新型高自由度超原子，从而避免了GANs对抗训练过程引入的模型不稳定性，并确保更准确和更高质量的生成结果。实验证明，我们的方法在模型收敛速度、生成准确度和质量方面优于代表性的GANs方法。
引用
@article{arxiv.2304.13038,
title = {Diffusion Probabilistic Model Based Accurate and High-Degree-of-Freedom Metasurface Inverse Design},
author = {Zezhou Zhang and Chuanchuan Yang and Yifeng Qin and Hao Feng and Jiqiang Feng and Hongbin Li},
journal= {arXiv preprint arXiv:2304.13038},
year = {2023}
}