识别优秀嵌套抗共振无节点纤维设计的数学习模型
机器学习
2026-03-17 v1 信息论
math.IT
摘要
中空心纤维相较于实心纤维在损耗和延迟方面具有优势，但嵌套抗共振无节点纤维(NANF)的几何复杂性使得传统优化计算负担沉重。我们提出了一个高效的两阶段数学习模型框架，用于利用最小训练数据识别高性能NANF设计。该模型采用神经网络(NN)分类器筛选单模态设计(抑制比≥50 dB)，随后采用回归器预测约束损耗(CL)。通过对损耗取对数 logarithm 训练，回归器克服了高动态范围的挑战。仅使用1,819个稀疏数据集（所有CL均≥1 dB/km），该模型成功识别出CL为0.25 dB/km的优化设计。这表明NN已捕获底层物理行为，能够外推至更低CL的区域。我们展示，小数据集足以实现稳定的高精度性能预测，使设计空间可扩展至1400万种情况，计算成本几乎不变，远低于有限元方法。
引用
@article{arxiv.2603.13302,
title = {Machine Learning Models to Identify Promising Nested Antiresonance Nodeless Fiber Designs},
author = {Rania A. Eltaieb and Sophie LaRochelle and Leslie A. Rusch},
journal= {arXiv preprint arXiv:2603.13302},
year = {2026}
}
备注
10 pages, 13 figures