用于红外宽带吸收器的深度学习网络模型框架

TP183; 揭示复杂的光物质相互作用,必须简化超材料的正向和反向按需设计.近年来深度学习作为一种流行的数据驱动方法,在很大程度上缓解了数值模拟耗时长、重经验的特点.提出了一种基于全连接的深度神经网络框架实现宽带吸收器的逆向设计和光谱预测.结果表明,深度神经网络(DNN)模型的准确度为87.47%;与传统的数值算法相比,该模型不仅在确保精确度的同时获得更高的效率,而且可为超材料按需设计性能提供参考....

Full description

Saved in:
Bibliographic Details
Published in石油化工高等学校学报 Vol. 36; no. 6; pp. 57 - 63
Main Authors 王璇, 冯乃星, 张玉贤
Format Journal Article
LanguageChinese
Published 安徽大学 教育部智能计算与信号处理重点实验室/信息材料与智能传感实验室,安徽 合肥 230601 01.12.2023
Subjects
Deep learning
逆设计问题
Broadband absorption
黑磷
Graphene
石墨烯
深度学习
Black phosphorus
宽带吸收
Inverse design problem
Online AccessGet full text
ISSN1006-396X
DOI10.12422/j.issn.1006-396X.2023.06.006

Cover

More Information
Summary:TP183; 揭示复杂的光物质相互作用,必须简化超材料的正向和反向按需设计.近年来深度学习作为一种流行的数据驱动方法,在很大程度上缓解了数值模拟耗时长、重经验的特点.提出了一种基于全连接的深度神经网络框架实现宽带吸收器的逆向设计和光谱预测.结果表明,深度神经网络(DNN)模型的准确度为87.47%;与传统的数值算法相比,该模型不仅在确保精确度的同时获得更高的效率,而且可为超材料按需设计性能提供参考.
ISSN:1006-396X
DOI:10.12422/j.issn.1006-396X.2023.06.006