基于深度学习的金属-绝缘体-金属超表面高精度预测
机器学习
2023-08-10 v1 计算物理
光学
摘要
深度学习对电磁软件计算结果的预测近年来已成为广泛讨论的问题。但预测精度仍是待解决的挑战之一。本工作中，我们提出使用 ResNets-10 模型预测等离子体超表面的 S11 参数。通过 k 折交叉验证与小学习率进行了两阶段训练。训练完成后，铝、金和银金属-绝缘体-金属超表面的预测损失分别为 -48.45、-46.47 和 -35.54。由于极低的误差值，所提网络可在一定结构范围内替代传统电磁计算方法。此外，该网络可在少于 1,100 个 epoch 内完成训练过程。这意味着网络训练过程可有效缩短设计流程时间。我们提出的 ResNets-10 模型也可用于设计超衍射器件与生物传感器，从而减少计算过程所需时间。网络的极低误差表明本工作有助于未来人工智能电磁计算软件的发展。
引用
@article{arxiv.2308.04450,
title = {High-Accuracy Prediction of Metal-Insulator-Metal Metasurface with Deep Learning},
author = {Kaizhu Liu and Hsiang-Chen Chui and Changsen Sun and Xue Han},
journal= {arXiv preprint arXiv:2308.04450},
year = {2023}
}