論文の概要: A Freeform Dielectric Metasurface Modeling Approach Based on Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2001.00121v1
• Date: Wed, 1 Jan 2020 01:21:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 09:37:00.949496
• Title: A Freeform Dielectric Metasurface Modeling Approach Based on Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークに基づく自由形誘電体準曲面モデリング手法
• Authors: Sensong An, Bowen Zheng, Mikhail Y. Shalaginov, Hong Tang, Hang Li, Li Zhou, Jun Ding, Anuradha Murthy Agarwal, Clara Rivero-Baleine, Myungkoo Kang, Kathleen A. Richardson, Tian Gu, Juejun Hu, Clayton Fowler and Hualiang Zhang
• Abstract要約: 本稿では, 深層学習に基づくメタサイト/メタ原子モデリング手法を導入し, キャラクタリゼーション時間を大幅に短縮する。 畳み込みニューラルネットワーク(CNN)の構造に基づいて、提案したディープラーニングネットワークは、自由な2Dパターンと異なる格子サイズを持つメタ原子をモデル化することができる。 提案手法は、ミリ秒の時間スケールで、メタ原子の広いスペクトル応答を予測する能力を備えている。
• 参考スコア（独自算出の注目度）: 7.039798390237901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metasurfaces have shown promising potentials in shaping optical wavefronts while remaining compact compared to bulky geometric optics devices. Design of meta-atoms, the fundamental building blocks of metasurfaces, relies on trial-and-error method to achieve target electromagnetic responses. This process includes the characterization of an enormous amount of different meta-atom designs with different physical and geometric parameters, which normally demands huge computational resources. In this paper, a deep learning-based metasurface/meta-atom modeling approach is introduced to significantly reduce the characterization time while maintaining accuracy. Based on a convolutional neural network (CNN) structure, the proposed deep learning network is able to model meta-atoms with free-form 2D patterns and different lattice sizes, material refractive indexes and thicknesses. Moreover, the presented approach features the capability to predict meta-atoms' wide spectrum responses in the timescale of milliseconds, which makes it attractive for applications such as fast meta-atom/metasurface on-demand designs and optimizations.
• Abstract（参考訳）: メタサーフェスは、かさばる幾何学的光学装置に比べてコンパクトなまま光波面を形成する有望なポテンシャルを示している。 準曲面の基本構造であるメタ原子の設計は、目標電磁応答を達成するための試行錯誤法に依存している。 このプロセスは、通常巨大な計算資源を必要とする物理パラメータと幾何学パラメータの異なる膨大な量のメタ原子設計の特徴を含む。 本稿では,深層学習に基づくメタサイト/メタ原子モデリング手法を導入し,精度を保ちながらキャラクタリゼーション時間を大幅に短縮する。 畳み込みニューラルネットワーク(cnn)構造に基づいて,提案する深層学習ネットワークは,自由形式の2dパターンと格子サイズ,材料屈折率,厚さの異なるメタ原子をモデル化することができる。 さらに本手法では,ミリ秒の時間スケールでメタ原子の広帯域応答を予測できることを特徴とし,高速メタ原子/メタ表面オンデマンド設計や最適化などのアプリケーションにとって魅力的な手法である。

関連論文リスト

• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• A Surrogate-Assisted Extended Generative Adversarial Network for Parameter Optimization in Free-Form Metasurface Design [11.692790232334293]
  提案するXGANは,高品質な自由形地表面設計のためのサロゲートを備えた拡張生成対向ネットワーク(GAN)である。 20000自由形地表面設計に関する比較実験では、XGANは0.9734の平均精度を達成し、従来の手法よりも500倍高速である。
  論文  参考訳（メタデータ） (2023-10-18T09:59:35Z)
• Band-gap regression with architecture-optimized message-passing neural networks [1.9590152885845324]
  AFLOWデータベースからの密度汎関数理論データから材料を金属または半導体/絶縁体として分類するMPNNを訓練する。 次に,MPNNのモデル構造とハイパーパラメータ空間を探索し,非金属と同定された材料のバンドギャップを予測する。 検索から得られる最高のパフォーマンスモデルはアンサンブルにまとめられ、既存のモデルよりもはるかに優れています。
  論文  参考訳（メタデータ） (2023-09-12T16:13:10Z)
• Deep-Learning Empowered Inverse Design for Freeform Reconfigurable Metasurfaces [3.728073286482581]
  本稿では,自由形再構成可能な準曲面に対して,深層学習による逆設計手法を提案する。 畳み込みニューラルネットワークモデルは、自由形メタ原子の応答を予測するために訓練される。 逆設計の広帯域再構成可能な準曲面プロトタイプを作製し,ビーム走査用として測定した。
  論文  参考訳（メタデータ） (2022-11-11T15:01:32Z)
• ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules [69.05950120497221]
  本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。 提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
  論文  参考訳（メタデータ） (2022-10-29T07:12:46Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Deep Convolutional Neural Networks to Predict Mutual Coupling Effects in Metasurfaces [6.993995471675809]
  本研究では,大規模アレイに配置された各ターゲットメタ原子の実際の電磁応答を予測するための深層学習手法を提案する。 予測ニューラルネットワークは、ターゲットのメタ原子とその隣人の物理的仕様を入力として、その位相と振幅をミリ秒で計算する。 従来の設計手法に比べてビーム偏向器とメタレンの効率が大幅に向上した。
  論文  参考訳（メタデータ） (2021-02-02T21:27:56Z)
• Multi-task learning for electronic structure to predict and explore molecular potential energy surfaces [39.228041052681526]
  我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。 このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。 ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
  論文  参考訳（メタデータ） (2020-11-05T06:48:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。