Frequenzübertragung und inverse Gestaltung für Metasurfaces unter Multi-Physik-Kopplung durch Euler-latente Dynamik und datenanalytische Regularisierungen

Die Frequenzübertragung ist eine zentrale Herausforderung im maschinellen Lernen, da sie es Forschern ermöglicht, über Analysen von Spektrumeigenschaften im Bereich hinauszugehen und Vorhersagen außerhalb des Bereichs zu treffen. Traditionell wird zur Vorhersage von Eigenschaften bei einer bestimmten Frequenz das gezielte Spektrum in die Trainingsdaten eines tiefen neuronalen Netzwerks (DNN) aufgenommen. Aufgrund von Einschränkungen bei Messungen oder Rechenquellen sind Trainingsdaten bei einigen Frequenzen jedoch nur schwer zugänglich, insbesondere bei Multi-Physik-Problemen. In dieser Arbeit schlagen wir ein Multi-Physik-Tiefenlernrahmenwerk (MDLF) vor, das aus einem Multi-Fidelity DeepONet, einem Euler-latenten Dynamiknetzwerk und einem datenanalytischen Inversionsnetzwerk besteht. Ohne Kenntnisse über die Multi-Physik-Antwort wird MDLF erfolgreich auf bisher ungesehene Frequenzbänder für sowohl parametrische als auch freiformige Metasurfaces verallgemeinert, indem dynamisch ein Euler-latenter Raum und Informationen aus der einzelnen Physik genutzt werden. Darüber hinaus wird ein In inversionsverfahren eingeführt, um hybride a priori in das inverse Design von Metasurfaces zu integrieren. Unter EM-thermischer Kopplung überprüfen wir das vorgeschlagene MDLF numerisch und experimentell. Die Frequenzübertragung, die es Forschern ermöglicht, über Analysen von Spektrumeigenschaften im Bereich hinauszugehen und Vorhersagen außerhalb des Bereichs zu treffen, ist eine zentrale Herausforderung im maschinellen Lernen. Hier schlagen die Autoren einen Multi-Physik-Tiefenlernrahmen vor, ohne Kenntnisse über die Multi-Physik-Antwort zur inversen Gestaltung von Metasurfaces.