Перейти до вмісту
Мікросистеми, Електроніка та Акустика
ISSN 2523-4447 · e‑ISSN 2523-4455 Відкритий доступ · CC BY-SA 4.0
Т. 28 · № 3 · 2023 гру 27, 2023 Електронні системи та сигнали

Використання інформації про умови експерименту для прогнозування властивостей метаматеріалів

PK
Pavlo I. Krysenko Відповідальний Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" Україна
MZ
Maksym Olehovych Zoziuk Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" Україна
Сторінки287808.1-287808.8 Опублікованогру 27, 2023
PDF
ТОМ 28 · № 3 · 2023 до 125-річчя КПІ ім. Ігоря Сікорського Переглянути випуск

Анотація

На даний момент існує проблема збільшення кількості елементів для навчання нейронних мереж, які повинні прогнозувати властивості метаматеріалів. У даній роботі запропоновано метод збільшення обсягу даних для навчання нейронних мереж з використанням можливості використання інформації про експериментальні умови вимірювання властивостей метаматеріалів. Показано, що метод гнучкий і ефективний. Наведено результати прогнозування коефіцієнта пропускання метаматеріалу для різних кутів падаючого випромінювання та типу поляризації. Використовуючи представлену в роботі архітектуру, була отримана висока швидкість навчання і генерації нових даних з точністю, яка не перевищує 12% для експериментів в одному частотному діапазоні і не перевищує 31%, якщо для навчання використовуються всі експерименти. Представлено архітектуру нейронної мережі та метод, за допомогою якого можна легко змінювати кількість та типи умов експерименту. Для прогнозування коефіцієнта передачі на основі структури, фізичного складу і умов експерименту використовувалося дослідження, де були присутні всі дані. Було проведено ряд чисельних експериментів - з використанням дослідів в діапазоні частот від 0,2 до 0,6 ТГц; тільки експерименти в діапазоні частот від 137 до 375 ТГц і все разом. Кожна характеристика (залежність коефіцієнта пропускання від частоти) представлялася у вигляді 40 чисел, де перші двадцять чисел - масштабоване значення частоти, а останні двадцять - коефіцієнт пропускання. Масштабування частот відбувалося для всіх характеристик в однакових межах (від 0,2 до 375 ТГц). Як буде видно далі, це сильно вказується при прогнозуванні частоти. Для кожного випадку було сформовано дві характеристики. Розподіл між навчальним і тестовим наборами відбувався у пропорції 80/20% від загальної кількості. Було встановлено, що найкраща точність спостерігається для випадку, коли для навчання використовуються характеристики в діапазоні від 137 до 375 ТГц. Найнижча точність спостерігається при використанні комбінованих даних. Задана модифікована вдосконалена архітектура нейронної мережі, за допомогою якої можна прикріплювати інформацію про умови експерименту до даних про метаструктуру. Проаналізовано, що з використанням експериментальних даних, на які впливають різні фізичні впливи, необхідна достатня кількість цих даних для того, щоб якість прогнозування та генерації нових характеристик була достатньо точною для практичного застосування. Зазначено, що результати чисельних експериментів дозволяють стверджувати, що такий підхід до кодування інформації про метаструктуру (топологічну структуру, фізичний склад компонентів, цільові характеристики) та умови експерименту є робочим і є перспективи його практичного використання в прикладних задачах.

Ключові слова

#метаматеріали #3D-згорткова нейронна мережа #умови експерименту

Посилання

  1. H. K. D. H. Bhadeshia, “Neural Networks in Materials Science.,” ISIJ International, vol. 39, no. 10, pp. 966–979, 1999, DOI: https://doi.org/10.2355/isijinternational.39.966
  2. P. Reiser et al., “Graph neural networks for materials science and chemistry,” Commun Mater, vol. 3, no. 1, p. 93, Nov. 2022, DOI: https://doi.org/10.1038/s43246-022-00315-6
  3. W. Sha and K. L. Edwards, “The use of artificial neural networks in materials science based research,” Mater Des, vol. 28, no. 6, pp. 1747–1752, Jan. 2007, DOI: https://doi.org/10.1016/j.matdes.2007.02.009
  4. J. Parsons, C. P. Burrows, J. R. Sambles, and W. L. Barnes, “A comparison of techniques used to simulate the scattering of electromagnetic radiation by metallic nanostructures,” J Mod Opt, vol. 57, no. 5, pp. 356–365, Mar. 2010, DOI: https://doi.org/10.1080/09500341003628702
  5. M. Locarno and D. Brinks, “Analytical calculation of plasmonic resonances in metal nanoparticles: A simple guide,” Am J Phys, vol. 91, no. 7, p. 538, Jul. 2023, DOI: https://doi.org/10.1119/5.0094967
  6. P. R. Wiecha et al., “‘pyGDM’ - new functionalities and major improvements to the python toolkit for nano-optics full-field simulations,” Comput Phys Commun, vol. 270, p. 108142, Jan. 2022, DOI: https://doi.org/10.1016/j.cpc.2021.108142
  7. B. Guo, L. Deng, and H. Zhang, “Non-local generative machine learning-based inverse design for scattering properties,” Opt Express, vol. 31, no. 13, p. 20872, Jun. 2023, DOI: https://doi.org/10.1364/OE.492361
  8. J. R. Capers, S. J. Boyes, A. P. Hibbins, and S. A. R. Horsley, “Designing the collective non-local responses of metasurfaces,” Commun Phys, vol. 4, no. 1, p. 209, Sep. 2021, DOI: https://doi.org/10.1038/s42005-021-00713-1
  9. P. Naseri and S. V. Hum, “A Generative Machine Learning-Based Approach for Inverse Design of Multilayer Metasurfaces,” IEEE Trans Antennas Propag, vol. 69, no. 9, pp. 5725–5739, Sep. 2021, DOI: https://doi.org/10.1109/TAP.2021.3060142
  10. C. Niu, M. Phaneuf, and P. Mojabi, “A Diffusion Model for Multi-Layered Metasurface Unit Cell Synthesis,” IEEE Open Journal of Antennas and Propagation, vol. 4, pp. 654–666, 2023, DOI: https://doi.org/10.1109/OJAP.2023.3292149
  11. S. Wang et al., “Innovative design of metamaterial perfect absorbers via residual fully connected neural network modeling,” Opt Commun, vol. 545, p. 129732, Oct. 2023, DOI: https://doi.org/10.1016/j.optcom.2023.129732
  12. C. Zhang, A. Ridard, M. Kibsey, and Y. F. Zhao, “Variant design generation and machine learning aided deformation prediction for auxetic metamaterials,” Mechanics of Materials, vol. 181, p. 104642, Jun. 2023, DOI: https://doi.org/10.1016/j.mechmat.2023.104642
  13. P. Jain et al., “Multiband Metamaterial absorber with absorption prediction by assisted machine learning,” Mater Chem Phys, vol. 307, p. 128180, Oct. 2023, DOI: https://doi.org/10.1016/j.matchemphys.2023.128180
  14. P. P. Meyer, C. Bonatti, T. Tancogne-Dejean, and D. Mohr, “Graph-based metamaterials: Deep learning of structure-property relations,” Mater Des, vol. 223, p. 111175, Nov. 2022, DOI: https://doi.org/10.1016/j.matdes.2022.111175
  15. S. Telvari, M. Sayyafzadeh, J. Siavashi, and M. Sharifi, “Prediction of two-phase flow properties for digital sandstones using 3D convolutional neural networks,” Adv Water Resour, vol. 176, p. 104442, Jun. 2023, DOI: https://doi.org/10.1016/j.advwatres.2023.104442
  16. A. P. Garland, B. C. White, B. H. Jared, M. Heiden, E. Donahue, and B. L. Boyce, “Deep Convolutional Neural Networks as a Rapid Screening Tool for Complex Additively Manufactured Structures,” Addit Manuf, vol. 35, p. 101217, Oct. 2020, DOI: https://doi.org/10.1016/j.addma.2020.101217
  17. M. O. Zoziuk and O. I. Yurikov, “Convolutional Neural Network to Predict the Penetration Coefficient of Metamaterials Based on Their Structure and Composition,” Microsystems, Electronics and Acoustics, vol. 28, no. 1, Apr. 2023, DOI: https://doi.org/10.20535/2523-4455.mea.271444
  18. F. Ding, Z. Wang, S. He, V. M. Shalaev, and A. V. Kildishev, “Broadband High-Efficiency Half-Wave Plate: A Supercell-Based Plasmonic Metasurface Approach,” ACS Nano, vol. 9, no. 4, pp. 4111–4119, Apr. 2015, DOI: https://doi.org/10.1021/acsnano.5b00218
  19. C. Huang, “Efficient and broadband polarization conversion with the coupled metasurfaces,” Opt Express, vol. 23, no. 25, p. 32015, Dec. 2015, DOI: https://doi.org/10.1364/OE.23.032015
  20. A. Shaltout, J. Liu, A. Kildishev, and V. Shalaev, “Photonic spin Hall effect in gap–plasmon metasurfaces for on-chip chiroptical spectroscopy,” Optica, vol. 2, no. 10, p. 860, Oct. 2015, DOI: https://doi.org/10.1364/OPTICA.2.000860
  21. N. K. Grady et al., “Terahertz Metamaterials for Linear Polarization Conversion and Anomalous Refraction,” Science (1979), vol. 340, no. 6138, pp. 1304–1307, Jun. 2013, DOI: https://doi.org/10.1126/science.1235399
  22. L. Cong, Y. K. Srivastava, and R. Singh, “Inter and intra-metamolecular interaction enabled broadband high-efficiency polarization control in metasurfaces,” Appl Phys Lett, vol. 108, no. 1, Jan. 2016, DOI: https://doi.org/10.1063/1.4939564
  23. V. Nair and G. E. Hinton, “Rectified Linear Units Improve Restricted Boltzmann Machines,” in Proceedings of the 27th International Conference on International Conference on Machine Learning, 2010, pp. 807–814, DOI: https://doi.org/10.5555/3104322.3104425
  24. “PyTorch documentation — PyTorch 2.0 documentation.” [Online]. Available: https://pytorch.org/docs/stable/index.html
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

Квазістатична ідентифікація структури затінення сонячних панелей за методом векторів кардинальних чисел

PhD, доц. Олена Олегівна Абакумова, д-р техн. наук, проф. Валерій Якович Жуйков, Микола О. Лук'янов

У статті розглянуто проблему ідентифікації структури затінення сонячних панелей. Актуальність дослідження зумовлена необхідністю швидкої та адекватної реконфігурації…

#Сонячні панелі #Фотоелектрична поверхня #Моделювання структури тіней #Квазістатична ідентифікація
с. 362283.1-362283.7
10.20535/2523-4455.mea.362283

Комплексний метод виділення неінвазивного сигналу фетальної електрокардіограми та класифікації серцевих аритмій

Дмитро А. Шевчук, канд. техн. наук, доц. Наталія Георгіївна Іванушкіна

Стаття присвячена розробці комплексного методу виділення фетального електрокардіосигналу (ФЕКГ) з неінвазивних абдомінальних записів та подальшої автоматизованої…

#абдомінальні електрокардіограми #фетальна електрокардіограма #аритмія #сліпе розділення джерел
с. 356487.1-356487.11
10.20535/2523-4455.mea.356487

Імітаційне моделювання фільтро-компенсаційного перетворювача для трифазної трипровідної мережі

Іван Андрійович Вакуленко, канд. техн. наук, доц. Дмитро Анатолійович Миколаєць, канд. техн. наук, доц. Катерина Сергіївна Клен

У цій статті розглядається критична проблема погіршення якості електроенергії в сучасних енергосистемах, спричинена поширенням нелінійних навантажень. Такі навантаження…

#фільтр-компенсаційний перетворювач #трифазна трипровідна мережа #якість електроенергії #повне гармонійне спотворення
с. 361138.1-361138.6
10.20535/2523-4455.mea.361138

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 49

Ви також можете розпочати розширений пошук схожих статей для цієї статті.