克服维度灾难：利用循环神经网络实现多层光子传输

蒙特卡洛模拟常用于计算多层散射和吸收介质的光子反射率、吸收率和透射率，但随着层数增加，其计算成本会迅速变得难以承受。在本研究中，我们表明，虽然普通神经网络受维度灾难影响，无法对多层介质给出可接受的预测，但我们引入了一种在相同蒙特卡洛模拟数据集上训练的循环神经网络（RNN），实现了高精度预测和极大加速。我们的RNN架构通过使网络输入数量在任何层数下保持恒定，解决了维度灾难问题。我们通过三个不同的多层架构案例研究（组织、辐射冷却涂料和大气云层）证明了其普遍适用性，与蒙特卡洛模拟相比实现了1-2个数量级的加速，同时误差比普通神经网络低一个数量级。这种循环神经网络方法使得经济高效的光子多层建模、优化和高通量筛选成为可能，可广泛应用于剂量学、大气研究和光谱选择性辐射涂层等领域。