SUTD-PRCM 数据集与用于复杂超表面设计的神经架构搜索方法
机器学习
2022-03-02 v1 应用物理
计算物理
数据分析、统计与概率
摘要
超表面因其在操控电磁波方面的多功能能力而近期备受关注。满足带非线性约束的多目标先进设计，促使研究者使用机器学习（ML）技术如深度学习（DL）来加速超表面设计。对于超表面，若无一个如图像分类中使用的通用且复杂的 dataset，难以在不同 ML 模型间做定量比较。许多研究面向相对受限的数据集，仅限于超表面中指定的图案或形状。本文中，我们提出 SUTD 复杂超表面极化反射（SUTD-PRCM）数据集，包含约 260,000 个由电磁仿真生成的复杂超表面样本，并已用于基准测试我们的 DL 模型。超表面图案被划分为不同类别以体现不同复杂度，涉及识别并利用图案与电磁响应间的关系，可供不同 DL 模型比较。随着 SUTD-PRCM 数据集的发布，我们希望其能用于基准测试 ML 界已有或未来的 DL 模型。我们还提出一个较少遇到的分类问题，并应用神经架构搜索以初步理解对神经架构的潜在修改，从而提升 DL 模型的预测。我们的发现表明卷积堆叠已非神经架构的主导元素，这意味着低层特征优于传统的深层分层高层特征，从而解释了为何基于深度卷积神经网络的模型在我们的数据集上表现不佳。
引用
@article{arxiv.2203.00002,
title = {SUTD-PRCM Dataset and Neural Architecture Search Approach for Complex Metasurface Design},
author = {Tianning Zhang and Yee Sin Ang and Erping Li and Chun Yun Kee and L. K. Ang},
journal= {arXiv preprint arXiv:2203.00002},
year = {2022}
}
备注
20 pages, 7 figures, 2 tables