基于几何深度学习在纳米光子学中的知识发现
光学
2020-02-13 v1 机器学习
摘要
我们在此提出一种新方法，将人工智能的智能方面用于电磁 (EM) 纳米结构中的知识发现而非器件优化。该方法利用一系列纳米结构的全波 EM 仿真所获得的训练数据，训练几何深度学习算法，以评估一类 EM 纳米结构可行响应的范围以及期望响应的可行性。为促进知识发现并降低计算复杂度，我们的方法将降维技术（使用自编码器）与凸包及单类支持向量机 (SVM) 算法相结合，在 EM 纳米结构的潜（或降维）响应空间中寻找可行响应的范围。我们表明，通过使用少量训练样本（相较于所有可能结构），我们的方法在评估给定响应可行性方面可提供优于 95% 的准确率。更重要的是，单类 SVM 算法可被训练以给出给定纳米结构某一响应的可行（或不可行）程度。这一重要信息可用于将初始结构修改为能够实现初始不可行响应的替代结构。为展示方法的适用性，我们将其应用于两类重要的二元超表面 (MS)：由等离子体纳米结构阵列构成者，以及由介电纳米柱阵列构成的周期性 MS。除理论结果外，我们给出了通过制备若干第二类 MS 所获得的实验结果。我们的理论与实验结果证实了该方法在 EM 纳米结构知识发现中的独特优势。
引用
@article{arxiv.1909.07330,
title = {Knowledge Discovery In Nanophotonics Using Geometric Deep Learning},
author = {Yashar Kiarashinejad and Mohammadreza Zandehshahvar and Sajjad Abdollahramezani and Omid Hemmatyar and Reza Pourabolghasem and Ali Adibi},
journal= {arXiv preprint arXiv:1909.07330},
year = {2020}
}
备注
Adv. Intell. Syst. (2020)