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

Основний зміст сторінки статті

Максим Олегович Зозюк
Олексій Іванович Юріков

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.

Блок інформації про статтю

Як цитувати
[1]
М. О. Зозюк і О. І. Юріков, «Використання згорткової нейронної мережі для прогнозування коефіцієнту пропускання метаматеріалів від їх структури та складу», Мікросист., Електрон. та Акуст., т. 28, вип. 1, с. 271444.1–271444.10, Квіт 2023.
Розділ
Електронні системи та сигнали

Посилання

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

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

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

M. Maasch, Tunable Microwave Metamaterial Structures, 1st ed. Springer, 2016, ISBN: 978-3319802909

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

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

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

I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. The MIT Press, 2016, ISBN: 9780262035613

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

PyTorch Contributors, “CONV3D,” 2022. [Online]. Available: https://pytorch.org/docs/stable/generated/torch.nn.Conv3d.html#torch.nn.Conv3d