Проблематика прогнозування коефіцієнта пропускання за допомогою нейронних мереж з обмеженою кількістю даних

Автор(и)

  • П. Крисенко Доктор філософії, молодший науковий співробітник, Інститут телекомунікацій і глобального інформаційного простору НАН України, Київ, Україна https://orcid.org/0000-0002-5612-9474

DOI:

https://doi.org/10.32347/2411-4049.2025.1.155-163

Ключові слова:

глибоке навчання, фільтр низьких частот, згорткова нейронна мережа, метаматеріали

Анотація

У статті розглянуто наявні підходи до прогнозування коефіцієнта пропускання метаматеріалів. В роботі пропонуються підходи, які створюють можливість використання даних з різних відкритих джерел, а також можливість кодувати повну структурну інформацію про склад метаматеріалів. Було спроєктовано нейронну мережу з двома входами, яка заснована на операції тривимірної згортки. Використовуючи ці підходи, було проведено навчання штучної нейронної мережі, представлені результати прогнозування коефіцієнта пропускання. За прогнозованим коефіцієнтом можна визначити характер використання метаматеріалу, але отримана середньоквадратична похибка все ще не дозволяє використовувати таку нейронну мережу як замінник існуючих підходів. В роботі представлено аналіз отриманих результатів, запропоновані можливі підходи до вирішення проблематики кількості даних, а також вирішення проблеми різних проміжків електромагнітного опромінення у датасеті за допомогою архітектури тривимірного трансформеру.

Посилання

Lopez, M., Dupont, T., & Panneton, R. (2023). A mass-spring analogy for modeling the acoustic behaviour of a metamaterial. INTER-NOISE and NOISE-CON Congress and Conference Proceedings, 265(1), 6295–6301. https://doi.org/10.3397/in_2022_0935

Porfyrakis, P., & Tsitsas, N. L. (2019). Nonlinear electromagnetic metamaterials: Aspects on mathematical modeling and physical phenomena. Microelectronic Engineering, 216, 111028. https://doi.org/10.1016/j.mee.2019.111028

Zharov, A. A., Zharova, N. A., Noskov, R. E., Shadrivov, I. V., & Kivshar, Y. S. (2005). Birefringent left-handed metamaterials and perfect lenses for Vectorial Fields. New Journal of Physics, 7, 220–220. https://doi.org/10.1088/1367-2630/7/1/220

Bowers J. A.; Hyde R. A. et al. "Evanescent electromagnetic wave conversion lenses I, II, III" US Patent and Trademark Office, Grant US-9081202-B2, 14 juli 2015, U.S. Patent 9,081,202.

Zharov, A. A., Zharova, N. A., Noskov, R. E., Shadrivov, I. V., & Kivshar, Y. S. (2005). Birefringent left-handed metamaterials and perfect lenses for Vectorial Fields. New Journal of Physics, 7, 220–220. https://doi.org/10.1088/1367-2630/7/1/220

Ge, L., Li, J., Zhong, K., Wang, Y., Xu, D., & Yao, J. (2023). A thermocouple based on wideband hybrid metamaterial absorber for mid-infrared photo-thermoelectric detector. Optics Communications, 545, 129714. https://doi.org/10.1016/j.optcom.2023.129714

Khatib, O., Ren, S., Malof, J., & Padilla, W. J. (2021). Deep learning the electromagnetic properties of metamaterials – a comprehensive review. Advanced Functional Materials, 31(31). https://doi.org/10.1002/adfm.202101748

Hammond, A. M., & Camacho, R. M. (2019). Designing integrated photonic devices using artificial neural networks. Optics Express, 27(21), 29620. https://doi.org/10.1364/oe.27.029620

Xu, Y., Zhang, X., Fu, Y., & Liu, Y. (2021). Interfacing photonics with Artificial Intelligence: An innovative design strategy for photonic structures and devices based on Artificial Neural Networks. Photonics Research, 9(4). https://doi.org/10.1364/prj.417693

Peurifoy, J., Shen, Y., Jing, L., Yang, Y., Cano-Renteria, F., DeLacy, B. G., Joannopoulos, J. D., Tegmark, M., & Soljačić, M. (2018). Nanophotonic particle simulation and inverse design using artificial neural networks. Science Advances, 4(6). https://doi.org/10.1126/sciadv.aar4206

Shi, R., Huang, J., Li, S., Niu, L., & Yang, J. (2022). Forward prediction and inverse design of nanophotonic devices based on Capsule Network. IEEE Photonics Journal, 14(4), 1–8. https://doi.org/10.1109/jphot.2022.3182050

Cong, L., Srivastava, Y. K., & Singh, R. (2016). Inter and intra-metamolecular interaction enabled broadband high-efficiency polarization control in metasurfaces. Applied Physics Letters, 108(1). https://doi.org/10.1063/1.4939564

Ding, F., Wang, Z., Shalaev, V. M., & Kildishev, A. V. (2015). Broadband high-efficiency half-wave plate using plasmonic metasurface. CLEO: 2015. https://doi.org/10.1364/cleo_qels.2015.ftu1c.6

Huang, C. (2015). Efficient and broadband polarization conversion with the coupled metasurfaces. Optics Express, 23(25), 32015. https://doi.org/10.1364/oe.23.032015

Shaltout, A., Liu, J., Kildishev, A., & Shalaev, V. (2015). Photonic Spin Hall effect in gap–plasmon metasurfaces for on-chip chiroptical spectroscopy. Optica, 2(10), 860. https://doi.org/10.1364/optica.2.000860

Grady, N. K., Heyes, J. E., Chowdhury, D. R., Zeng, Y., Reiten, M. T., Azad, A. K., Taylor, A. J., Dalvit, D. A., & Chen, H.-T. (2013). Terahertz metamaterials for linear polarization conversion and anomalous refraction. Science, 340(6138), 1304–1307. https://doi.org/10.1126/science.1235399

Zozyuk, M., Koroliouk, D., Krysenko, P., Yurikov, A., & Yakymenko, Y. (2023). Prediction of characteristics using a convolutional neural network based on experimental data on the structure and composition of metamaterials. Statistics, Optimization & Information Computing, 11(3), 730–739. https://doi.org/10.19139/soic-2310-5070-1707

Lahoud, J., Cao, J., Khan, F. S., Cholakkal, H., Anwer, R. M., Khan, S., & Yang, M. H. (2022). 3D vision with transformers: A survey. arXiv preprint arXiv:2208.04309.

Lodagala, V. S., Ghosh, S., & Umesh, S. (2023). CCC-WAV2VEC 2.0: Clustering Aided Cross contrastive self-supervised learning of speech representations. 2022 IEEE Spoken Language Technology Workshop (SLT). https://doi.org/10.1109/slt54892.2023.10022552

##submission.downloads##

Опубліковано

2025-03-28

Як цитувати

Крисенко, П. (2025). Проблематика прогнозування коефіцієнта пропускання за допомогою нейронних мереж з обмеженою кількістю даних. Екологічна безпека та природокористування, 53(1), 155–163. https://doi.org/10.32347/2411-4049.2025.1.155-163

Номер

Розділ

Інформаційні технології та математичне моделювання