用于超表面优化的生成对抗网络渐进生长
计算物理
2019-12-03 v2 机器学习
图像与视频处理
应用物理
摘要
生成对抗网络能基于高性能器件布局的训练集生成超表面，有潜力显著降低超表面设计过程的计算成本。然而，基础GAN架构无法充分捕捉拓扑复杂超表面的精细特征，因而生成的器件需要额外计算昂贵的细化设计。在本快报中，我们展示GAN可通过渐进生长其网络架构与训练集，更好地从高分辨率训练数据中学习空间精细特征。我们的结果表明，采用该训练方法时，最优生成器件的性能可与基于梯度的拓扑优化所产生的最优器件相媲美，从而免去了额外细化设计的需求。我们设想该网络训练方法可推广至其他器件性能与精细几何结构强相关的物理系统。
引用
@article{arxiv.1911.13029,
title = {Progressive-Growing of Generative Adversarial Networks for Metasurface Optimization},
author = {Fufang Wen and Jiaqi Jiang and Jonathan A. Fan},
journal= {arXiv preprint arXiv:1911.13029},
year = {2019}
}