Diseño de metasuperficies basado en transferencia espectral y asistido por una red neuronal profunda compleja

Recientemente, se ha utilizado el aprendizaje profundo para establecer la relación no lineal y no intuitiva entre las estructuras físicas y las respuestas electromagnéticas de los meta-átomos para una mayor eficiencia computacional. Sin embargo, para obtener predicciones suficientemente precisas, el método convencional basado en aprendizaje profundo consume tiempo excesivo para recopilar el conjunto de datos, lo que obstaculiza su amplia aplicación en este campo interdisciplinario. Introducimos un método de diseño de metasuperficies basado en transferencia espectral para lograr un excelente rendimiento en un pequeño conjunto de datos con solo 1000 muestras en la banda de ondas objetivo, utilizando datos de código abierto de otro rango espectral. Demostramos tres estrategias de transferencia y cuantificamos experimentalmente su rendimiento, entre las cuales la "congelada-ninguna" mejora robustamente la precisión de las predicciones en aproximadamente un 26% en comparación con el aprendizaje directo. Proponemos utilizar una red neuronal profunda de valores complejos durante el proceso de entrenamiento para mejorar aún más la precisión de predicción espectral en aproximadamente un 30% en comparación con sus contrapartes de valores reales. Diseñamos varios metadevices terahertz típicos empleando un modelo inverso híbrido que consolida esta red de objetivo entrenada y un algoritmo de optimización global. Los resultados simulados validan exitosamente la capacidad de nuestro enfoque. Nuestro trabajo proporciona una metodología universal para un diseño de metasuperficies eficiente y preciso en bandas de ondas arbitrarias, lo que allanará el camino hacia la producción automatizada y en masa de metasuperficies.