利用深度学习预测等离激元结构的共振特性
计算机视觉与模式识别
2018-05-02 v1 光学
摘要
深度学习可用于从图像中提取有意义的结果。本文中，我们将卷积神经网络与循环神经网络结合应用于等离激元结构图像，并从中提取吸收数据。为模型提供所需数据，我们进行了100,000次具有相似设置与随机结构的仿真。通过设计深度网络，我们找到了可预测任意相似设置结构吸收率的模型。我们利用卷积神经网络从图像获取空间信息，并利用循环神经网络帮助模型发现卷积神经网络模型所得空间信息间的关系。借助该设计，我们能在极短时间内以相较数值仿真结果极低的损失预测吸收率。
引用
@article{arxiv.1805.00312,
title = {Predicting resonant properties of plasmonic structures by deep learning},
author = {Iman Sajedian and Jeonghyun Kim and Junsuk Rho},
journal= {arXiv preprint arXiv:1805.00312},
year = {2018}
}