Transfert de fréquence et conception inverse pour métasurface sous couplage multi-physique par dynamique latente d'Euler et régularisations analytiques de données

Le transfert de fréquence est un défi clé en apprentissage automatique car il permet aux chercheurs de dépasser les analyses dans la plage des propriétés du spectre vers des prédictions hors de la plage. Traditionnellement, pour prédire des propriétés à une fréquence spécifique, un spectre ciblé est inclus dans les données d'entraînement pour un réseau neuronal profond (DNN). Cependant, en raison des limitations de mesure ou de la source de calcul, les données d'entraînement à certaines fréquences sont difficilement accessibles, en particulier pour des problèmes multi-physiques. Dans ce travail, nous proposons un cadre d'apprentissage profond multi-physique (MDLF) composé d'un DeepONet à multi-fidélité, d'un réseau dynamique latent d'Euler et d'un réseau d'inversion analytique de données. Sans connaissance de la réponse multi-physique, le MDLF est généralisé avec succès à des bandes de fréquence non vues tant pour des métasurfaces paramétriques que pour des métasurfaces à forme libre en utilisant dynamiquement un espace latent d'Euler et des informations mono-physiques. De plus, une méthode d'inversion est introduite pour incorporer des a priori hybrides dans la conception inverse de métasurfaces. Sous couplage EM-thermique, nous vérifions numériquement et expérimentalement le MDLF proposé. Le transfert de fréquence, qui permet aux chercheurs de dépasser les analyses dans la plage des propriétés du spectre vers des prédictions hors de la plage, est un défi clé en apprentissage automatique. Ici, les auteurs proposent un cadre d'apprentissage profond multi-physique sans connaissance de la réponse multi-physique pour la conception inverse de métasurfaces.