变分MineGAN：面向生成式AI辅助纳米光子结构设计的数据高效知识迁移架构
光学
2024-11-22 v2
摘要
近期，利用深度学习来设计纳米光子器件已成为活跃的研究领域，生成对抗网络（GAN）是热门选择，另辅以自编码器方法。然而，这两种方法通常需要大规模数据集和显著的计算资源，这可能会抵消节省时间与精力的优势。虽然小规模数据集训练的GAN可能面临训练不稳定和模式崩溃等挑战，但对这些受限数据集进行微调预训练GAN时，常会引入过拟合和灵活性不足的额外问题。这限制了模型的泛化能力，降低其整体效能。本文提出变分MineGAN，这是一种改进版MineGAN，抗过拟合能力更强，能够利用预训练GAN。该方法确保更稳健的采样过程，提高模型的泛化能力，同时将知识迁移至数据有限的领域。实验结果表明，本方法获得的Fréchet距离（FID）分数为52.14，攀升率Inception分数（IS）为3.59，较先前方法显著提升。这意味着生成的设计图像质量更佳，能够探索具有理想光谱响应且更好地学习潜在空间与相应设计之间的非线性关系。
引用
@article{arxiv.2410.17889,
title = {Variational MineGAN: A Data-efficient Knowledge Transfer Architecture for Generative AI-assisted Design of Nanophotonic Structures},
author = {Shahriar Tarvir Nushin and Shadman Shahriar Sharar and Farhan Ishraque Zahin},
journal= {arXiv preprint arXiv:2410.17889},
year = {2024}
}