طراحی خودکار متاسرفهی مبتنی بر شبکه عصبی عمیق با دامنه فرکانس گسترده

دسترسی آزاد این مقاله تحت مجوز بین المللی Creative Commons Attribution 4. 0 مجوز است ، که اجازه می دهد تا زمانی که اعتبار مناسبی را به نویسنده اصلی (ها) و منبع بدهید ، به استفاده ، اشتراک ، سازگاری ، توزیع و تولید مثل اجازه دهید. پیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییرات ایجاد شده است. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است ، مگر اینکه در یک خط اعتباری به مطالب مشخص شود. اگر مطالب در مجوز Creative Commons در مقاله گنجانده نشده باشد و استفاده در نظر گرفته شده شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود ، باید مستقیماً از دارنده حق چاپ مجوز دریافت کنید. برای مشاهده نسخه ای از این مجوز ، به http://creativeecommons.org/licenses/by/4. 0/ مراجعه کنید.

خلاصه

فراتر از محدوده metasurface معمولی ، که به منابع و زمان محاسباتی زیادی نیاز دارد ، یک رویکرد طراحی معکوس با استفاده از الگوریتم های یادگیری ماشین نوید می دهد یک روش مؤثر برای طراحی metasurface باشد. در این مقاله ، از شبکه عصبی عمیق (DNN) بهره مند می شود ، یک روش طراحی معکوس از یک metasurface در یک باند فرکانس کار فوق العاده گسترده ارائه شده است که در آن می توان ساختار سلول واحد خروجی را مستقیماً توسط یک هدف طراحی مشخص محاسبه کرد. برای رسیدن به بالاترین فرکانس کار برای آموزش DNN ، ما 8 الگوی حلقه شکل را برای تولید شکافهای رزونانس در طیف گسترده ای از فرکانس های کار از 4 تا 45 گیگاهرتز در نظر می گیریم. ما دو معماری شبکه را پیشنهاد می کنیم. در یک معماری ، ما خروجی DNN را محدود می کنیم ، بنابراین شبکه فقط می تواند ساختار metasurface را از ورودی 8 الگوی حلقه شکل تولید کند. این رویکرد به طور چشمگیری زمان محاسباتی را کاهش می دهد ، در حالی که دقت شبکه را بالاتر از 91 ٪ نگه می دارد. ما نشان می دهیم که مدل ما بر اساس DNN می تواند به طور رضایت بخش ساختار metasurface خروجی را با دقت متوسط بیش از 90 ٪ در هر دو معماری شبکه ایجاد کند. تعیین ساختار metasurface به طور مستقیم بدون روش های بهینه سازی وقت گیر ، یک فرکانس کار فوق العاده گسترده و دقت متوسط مجهز به یک بستر الهام بخش برای پروژه های مهندسی بدون نیاز به نظریه پیچیده الکترومغناطیسی.

معرفی

متام مواد ، به عنوان رسانه های مصنوعی متشکل از آرایه های هندسی دوره ای یا غیر دوره ای مهندسی شده ، به دلیل خاصیت عجیب و غریب آنها که قادر به اصلاح و نفوذپذیری مواد 1 - 3 هستند ، مورد توجه قابل توجهی قرار گرفته اند. امروز ، فقط دو دهه پس از اولین اجرای مواد متامدانه توسط اسمیت و همکاران. 4 که مقاله اصلی Veselago 5 ، Metamaterials و همتای 2D آنها ، Metasurfaces را کشف کرده اند ، به طور گسترده ای در کاربردهای عملی مانند ، اما محدود به آن ، تبدیل قطبش 6 ، 7 ، دستکاری موج قابل تنظیم 8 ، 9 ، نسل 10 ، 11 ، 11 ، 11 ، 11 ، 11 ، 11 ، 11 ،و جذب کامل 12 ، 13. متاماد دیجیتال قابل برنامه ریزی به طرز چشمگیری طیف وسیع تری از برنامه های ماده موج را ارائه می دهد که آنها را به ویژه در استفاده از تصویربرداری 14 ، metasurfaces هوشمند 15 ، 16 ، متاماد اطلاعاتی 17-19 و برنامه های یادگیری ماشین 20 ، 21 ارائه می دهد.

با این حال ، تمام آثار فوق الذکر مبتنی بر رویکردهای طراحی سنتی ، متشکل از طرح های مدل ، روش آزمایش و خطا ، رفت و برگشت پارامتر و الگوریتم های بهینه سازی است. انجام شبیه سازی های عددی کامل موج با کمک الگوریتم بهینه سازی یک فرآیند وقت گیر است که منابع محاسباتی زیادی را مصرف می کند. علاوه بر این ، اگر الزامات طراحی تغییر کند ، شبیه سازی ها باید دوباره تکرار شوند ، که باعث می شود کاربران از توجه به نیازهای واقعی خود توجه کنند. بنابراین ، برای پر کردن شکاف های موجود برای یافتن یک رویکرد طراحی سریع ، کارآمد و خودکار ، ما یادگیری ماشین را در نظر گرفته ایم.

یادگیری ماشین و شاخه خاص آن ، یادگیری عمیق ، رویکردهایی برای یادگیری خودکار ارتباط بین داده های ورودی و داده های هدف از نمونه های تجربیات گذشته است. یادگیری ماشین تلاشی برای استفاده از الگوریتم ها برای ابداع یک دستگاه برای یادگیری و کار کردن بدون برنامه ریزی صریح و دیکته اقدامات فردی است. برای خاص تر بودن ، یادگیری ماشین یک بستر الهام بخش را برای استنباط اصول اساسی بر اساس داده های قبلاً داده شده مجهز می کند. بنابراین ، برای یک ورودی معین دیگر ، ماشین ها می توانند به طور خودکار تصمیمات منطقی بگیرند. با تکامل روزافزون یادگیری ماشین و ظرفیت بالقوه آن برای مقابله با چالش های مهم ، مانند پردازش سیگنال 22 و علوم فیزیکی 23 ، اکنون شاهد کاربردهای آنها برای مشکلات الکترومغناطیسی هستیم. با توجه به پتانسیل قابل توجه آن در تأمین منابع محاسباتی کمتری ، دقت بیشتر ، زمان طراحی کمتر و انعطاف پذیری بیشتر ، یادگیری ماشین در پدیده های مختلف با تعامل موج ، مانند سازگاری الکترومغناطیسی (EMC) 24 ، 25 ، بهینه سازی آنتن و طراحی 26 وارد شده است.، 27 ، Metasurface All-Delectric 28 ، ساختارهای نوری و فوتونیک 29 و نانوساختار پلاسمونی 30.

اخیراً ، T. Cui و همکاران. یک روش طراحی metasurface مبتنی بر یادگیری عمیق به نام واکنشی را پیشنهاد کرده اند ، که قادر به تشخیص قوانین داخلی بین یک ساختمان واحد و خصوصیات EM آن با دقت متوسط 76. 5 ٪ 31 است. یک روش یادگیری ماشین برای تحقق metasurfaces کدگذاری دیجیتال ناهمسانگرد بررسی شده است ، به موجب آن 70000 الگوی برنامه نویسی آموزش برای آموزش شبکه 32 اعمال شده است. در Ref 33 ، یک شبکه عصبی عمیق برای رمزگذاری metasurface قابل برنامه ریزی برای نسل پرتو چندگانه هدایت شده با دقت متوسط بیش از 94 ٪ مورد بررسی قرار گرفته است. یک روش طراحی معکوس Metasurface با استفاده از یک روش یادگیری ماشین در 34 معرفی شده است تا یک سلول واحد خروجی را برای خواص الکترومغناطیسی مشخص شده با دقت 81 ٪ در پهنای باند با فرکانس پایین 16-20 گیگاهرتز طراحی کند. به تازگی ، یک شبکه یادگیری Que Deep Q (DDQN) برای شناسایی نوع مواد مناسب و بهینه سازی طراحی هولوگرام های Metasurface 35 توسعه یافته است.

در این مقاله ، از شبکه عصبی عمیق (DNN) بهره مند می شود ، یک روش طراحی معکوس از یک metasurface با دقت متوسط تا 92 ٪ ارائه شده است. بر خلاف آثار قبلی ، برای رسیدن به بالاترین فرکانس کار ، ما 8 توزیع دیجیتالی حلقه ای شکل را در نظر می گیریم (به سمت چپ شکل 1 مراجعه کنید) برای تولید شکافهای رزونانس در طیف گسترده ای از فرکانس های کار از 4 تا 45 گیگاهرتز. بنابراین ، پس از آموزش مدل یادگیری عمیق توسط مجموعه ای از نمونه ها ، مدل پیشنهادی ما می تواند به طور خودکار الگوی metasurface مورد نظر را تولید کند ، با چهار اطلاعات بازتاب از پیش تعیین شده (به عنوان تعداد رزونانس ، فرکانس های رزونانس ، عمق رزونانس) و پهنای باند رزونانس برای فوق العاده گستردهگروههای فرکانس کارمقایسه خروجی شبیه سازی های عددی با هدف طراحی نشان می دهد که رویکرد پیشنهادی ما در تولید ساختارهای متاسرفه مربوطه با هر پیکربندی پارامتر S مورد نظر موفق است. تعیین ساختارهای metasurface به طور مستقیم بدون روش های بهینه سازی غیرمجاز ، مصرف منابع محاسباتی کمتری ، نوارهای فرکانس کار فوق العاده گسترده و دقت متوسط بالا راه را برای رویکرد ما فراهم می کند تا برای آن دسته از مهندسان که متخصص در زمینه کار نیستند ، سودمند شودالکترومغناطیسی ؛بنابراین ، آنها می توانند بر روی نیازهای عملی خود تمرکز کنند و سرعت پروژه های مهندسی را افزایش دهند.