Перейти до вмісту
Мікросистеми, Електроніка та Акустика
ISSN 2523-4447 · e‑ISSN 2523-4455 Відкритий доступ · CC BY-SA 4.0
Т. 28 · № 1 · 2023 кві 17, 2023 Електронні системи та сигнали

Використання згорткової нейронної мережі для прогнозування коефіцієнту пропускання метаматеріалів від їх структури та складу

МЗ
Максим Олегович Зозюк Відповідальний Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
ОЮ
Олексій Іванович Юріков Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
Сторінки271444.1-271444.10 Опублікованокві 17, 2023
PDF
ТОМ 28 · № 1 · 2023 до 125-річчя КПІ ім. Ігоря Сікорського Переглянути випуск

Анотація

В цій роботі пропонується використання згортковаої нейронної мережі для прогнозування властивостей метаматеріалів на основі інформації про структуру та фізичний склад метаматеріалів. Основна мета дослідити можливість заміни великої вибірки вхідних даних на велику кількість інформації про елементи вибірки. Основні методи, які були використані – опис метаматеріалу у вигляді 3D об'єкта, запис інформації про склад метаматеріалів у вигляді додаткових компонентів у векторах об'єкта, представлення експериментальних досліджень у вигляді коефіцієнтів поліному та точок на графіку. Незважаючи на малу кількість даних, отримано достатньо малу похибку для випадку представлення залежності коефіцієнта проходження від частоти у вигляді коефіцієнтів поліному та у випадку представлення даних у вигляді набору точок, та представлено результати прогнозування експериментальних досліджень. Кількість даних може бути збільшена врахуванням умов при яких отримувались експериментальні дані – поляризація, кут падіння, інтенсивність випромінювання і т. д. Основні питання можуть виникнути при підготовці даних для нейронної мережі по причині складнощів при конвертації форматів 3д в потрібний масив даних та врахування всіх обставин, які можуть впливати на експериментальні дослідження.

Ключові слова

#метаматеріал #3D-згорточна нейронна мережа #фізичні властивості матеріалу #інформативність елементу вибірки

Посилання

  1. N. I. Zheludev, “The Road Ahead for Metamaterials,” Science (1979), vol. 328, no. 5978, pp. 582–583, Apr. 2010, DOI: https://doi.org/10.1126/science.1186756
  2. D. Ozevin and S. Tol, “Role of acoustic metamaterials and phononic crystals in sensing and damage detection in solids,” in The Rise of Smart Cities, Elsevier, 2022, pp. 115–137, DOI: https://doi.org/10.1016/B978-0-12-817784-6.00014-X
  3. E. Semouchkina, “Periodic arrays of dielectric resonators as metamaterials and photonic crystals,” in Dielectric Metamaterials and Metasurfaces in Transformation Optics and Photonics, Elsevier, 2022, pp. 1–20, DOI: https://doi.org/10.1016/B978-0-12-820596-9.00008-X
  4. M. Maasch, Tunable Microwave Metamaterial Structures, 1st ed. Springer, 2016, ISBN: 978-3319802909
  5. A. Sprafke and J. Schilling, “Non-resonant dielectric metamaterials,” in Dielectric Metamaterials, Elsevier, 2020, pp. 249–288, DOI: https://doi.org/10.1016/B978-0-08-102403-4.00014-1
  6. T. Gric and O. Hess, “Electromagnetics of Metamaterials,” in Phenomena of Optical Metamaterials, Elsevier, 2019, pp. 41–73, DOI: https://doi.org/10.1016/B978-0-12-813896-0.00002-X
  7. J. Sun and N. M. Litchinitser, “Metamaterials,” in Fundamentals and Applications of Nanophotonics, Elsevier, 2016, pp. 253–307, DOI: https://doi.org/10.1016/B978-1-78242-464-2.00009-9
  8. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. The MIT Press, 2016, ISBN: 9780262035613
  9. Y. Levine, N. Wies, O. Sharir, N. Cohen, and A. Shashua, “Tensors for deep learning theory,” in Tensors for Data Processing, Elsevier, 2022, pp. 215–248, DOI: https://doi.org/10.1016/B978-0-12-824447-0.00013-3
  10. K. Santosh, N. Das, and S. Ghosh, “Deep learning models,” in Deep Learning Models for Medical Imaging, Elsevier, 2022, pp. 65–97, DOI: https://doi.org/10.1016/B978-0-12-824447-0.00013-3
  11. V. Sze, Y.-H. Chen, T.-J. Yang, and J. Emer, “Efficient Processing of Deep Neural Networks: A Tutorial and Survey,” Mar. 2017, ArXiV: https://arxiv.org/abs/1703.09039
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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, p. 011110, Jan. 2016, DOI: https://doi.org/10.1063/1.4939564
  17. P. Wang et al., “3D shape segmentation via shape fully convolutional networks,” Comput Graph, vol. 70, pp. 128–139, Feb. 2018, DOI: https://doi.org/10.1016/j.cag.2017.07.030
  18. Y. Liang, F. He, X. Zeng, and B. Yu, “Feature-preserved convolutional neural network for 3D mesh recognition,” Appl Soft Comput, vol. 128, p. 109500, Oct. 2022, DOI: https://doi.org/10.1016/j.asoc.2022.109500
  19. J. Raitoharju, “Convolutional neural networks,” in Deep Learning for Robot Perception and Cognition, Elsevier, 2022, pp. 35–69, DOI: https://doi.org/10.1016/B978-0-32-385787-1.00008-7
  20. Sigaki HYD, Lenzi EK, Zola RS, Perc M, Ribeiro HV. Learning physical properties of liquid crystals with deep convolutional neural networks. Sci Rep. 2020 May 6;10(1):7664. DOI: https://doi.org/10.1038/s41598-020-63662-9
  21. Xie, T., & Grossman, J. C, “Crystal graph convolutional neural networks for an accurate and interpretable prediction of material properties”, Physical review letters, 120(14), 145301, 2018, DOI: https://doi.org/10.1103/PhysRevLett.120.145301
  22. Abueidda, DW, Almasri, M, Ammourah, R, Ravaioli, U, Jasiuk, “Prediction and optimization of mechanical properties of composites using convolutional neural networks”, IM & Sobh, NA 2019, Composite Structures, vol. 227, 111264. DOI: https://doi.org/10.1016/j.compstruct.2019.111264
  23. Cecen, A., Dai, H., Yabansu, Y. C., Kalidindi, S. R., and Song, L., “Material structure-property linkages using three-dimensional convolutional neural networks”, Acta Materialia, vol. 146, pp. 76–84, 2018, DOI: https://doi.org/10.1016/j.actamat.2017.11.053
  24. Chengping Rao, Yang Liu, “Three-dimensional convolutional neural network (3D-CNN) for heterogeneous material homogenization”, Computational Materials Science, vol. 184, 2020, 109850, ISSN 0927-0256, DOI: https://doi.org/10.1016/j.commatsci.2020.109850
  25. PyTorch Contributors, “CONV3D,” 2022. [Online]. Available: https://pytorch.org/docs/stable/generated/torch.nn.Conv3d.html#torch.nn.Conv3d
§ 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

Схожі статті

1-10 з 45

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