基于Maxwell方程的物理引导层次神经网络用于椲体超材料
光学
2025-08-06 v2 计算物理
摘要
尽管机器学习（ML）在光子学中已找到多个应用，但传统的“黑箱”ML模型通常需要大量训练数据。生成此类数据以及训练过程本身会消耗大量资源，常常限制其实际应用。在本研究中，我们演示了将Maxwell方程嵌入ML设计和训练中，可显著减少所需数据量，并提高ML模型的物理一致性和可泛化性，为无需极大训练集的实用ML工具铺平了道路。本研究所提出的物理引导机器学习（PGML）方法以预测椲体超材料光子 funnels 中复杂场分布为例进行说明。本研究中使用的层次网络设计实现了知识传递，并指向神经网络中有效介质理论的出现。
引用
@article{arxiv.2502.17644,
title = {Physics-guided hierarchical neural networks for Maxwell's equations in plasmonic metamaterials},
author = {Sean Lynch and Jacob LaMountain and Bo Fan and Jie Bu and Amogh Raju and Dan Wasserman and Anuj Karpatne and Viktor A. Podolskiy},
journal= {arXiv preprint arXiv:2502.17644},
year = {2025}
}