광학 데이터 세트의 활용도를 높이기 위해 Tianda 팀은 스펙트럼 예측 효과를 향상시키는 AI 모델을 제안했습니다.

Editor | Dead Leaf Butterfly

최근 천진대학교 레이저 및 광전자공학 연구소의 Wu Liang 부교수와 Academician Yao Jianquan 팀, 그리고 자연어 처리 연구소 Xiong Deyi 교수 팀은 스펙트럼 예측 성능을 향상시키기 위해 솔루션에 대한 다중 주파수 보충 입력을 사용하는 학습 모델입니다. 이 방식은 다중 주파수 입력 데이터를 사용하여 스펙트럼 예측의 정확도를 향상시킬 수 있습니다. 또한 이 솔루션은 스펙트럼 예측 과정에서 잡음 간섭을 줄여 예측 효과를 향상시킬 수도 있습니다.

이 솔루션은 학습 비용을 늘리지 않고도 기존 광학 데이터 세트의 활용도를 높이고 메타표면 구조에 해당하는 스펙트럼 응답의 예측 효과를 향상시킬 수 있습니다.

관련 연구 결과는 "다중 주파수 보충 입력을 갖춘 딥 러닝 모델을 사용한 향상된 스펙트럼 예측"이라는 제목으로 2024년 5월 16일 "APL Machine Learning"에 게재되었습니다.

논문 링크:https://doi.org/10.1063/5.0203931

연구 배경

최근 딥러닝 기술의 급속한 발전은 다양한 분야에 전례 없는 변화와 혁신을 가져왔습니다. 여러 분야의 복잡하고 방대한 데이터를 처리하는 데 효과적인 도구가 되었습니다.

신경망 기반 방법은 대상 데이터의 관련 특징과 잠재적 패턴을 효과적으로 감지할 수 있지만 딥 러닝 모델이 다양한 분야와 형식에서 이러한 관련 데이터를 직접 학습하는 경우에는 여전히 특정 과제가 있습니다. 이 문제를 해결하기 위해 특징 추출 기술을 사용할 수 있습니다. 특징 추출 기술은 원시 데이터를 특정 작업에 적합한 표현으로 변환할 수 있습니다. 주파수 영역 분석을 기반으로 한 FFT, 웨이블릿 변환을 기반으로 한 WT 등과 같은 다양한 특징 추출 방법을 사용할 수 있습니다. 이러한 기술을 적용하면 서로 다른 분야가 결합될 수 있습니다.

최근 딥러닝 기술을 결합하는 연구 분야는 일반적으로 기존 데이터 세트의 크기가 작고 품질이 낮아 모델의 학습 효과에 영향을 미치는 문제에 직면해 있습니다. 목표 임무.

전체 "과학을 위한 AI" 연구 과정에서 가장 비용이 많이 드는 부분은 주로 데이터 세트 구축이므로 기존 데이터 세트를 어떻게 더 효과적으로 활용하는가가 중요합니다.

천진대학교 팀은 목표 스펙트럼 예측 프로세스 중에 기존 데이터 세트에 보충 다중 주파수 입력 정보를 추가하면 네트워크의 예측 정확도를 크게 향상시킬 수 있다는 연구를 통해 입증했습니다. 이 접근 방식은 딥 러닝 및 포토닉스, 복합 재료 설계, 생물의학 등 기타 분야의 학제간 연구 및 응용을 위해 데이터 세트를 사용하기 위한 새로운 아이디어를 제공합니다.

연구 하이라이트

연구의 혁신적인 점은 전체 주파수 범위의 스펙트럼 정보를 분할하는 아이디어를 제안하는 것인데, 이는 실제 설계 요구 사항을 결합하고 전체 주파수 스펙트럼 정보를 학습으로 분할하는 데서 나타납니다. 작동 주파수 부분과 비작동 주파수 부분에 따라 작업을 수행합니다.

본 솔루션의 보편성을 입증하기 위해 목표 동작 주파수 대역을 저주파 정보(0~1THz) 부분과 고주파 정보(1~2THz) 부분으로 세분화하여 모델의 강화된 효과를 입증했습니다. 학습.

작업 주파수 범위 데이터를 직접 예측한 것과 비교하여, 다른 주파수 정보를 보완한 후 전체 전송 스펙트럼 데이터 예측 오류가 약 80% 감소했습니다. 그 중 Transformer 기반 모델은 저주파 정보를 보완한 후 예측을 수행했습니다. 오류는 약 40%의 직접 예측에 대해 설계된 메타표면 구조와 모델 아키텍처가 그림 1에 나와 있습니다.

그림 1 (a)-(b) 갈색 부분이 나타내는 메타표면 구조의 개략도 "1" 픽셀, 노란색 부분은 "0" 픽셀을 나타냅니다. (c) CNN, LSTM, GRU 및 Transformer 네트워크의 개략도. 순방향 네트워크에서 모델의 입력은 25*25 픽셀 메타표면 행렬이고 출력은 광학 응답인 반면 역방향 네트워크는 반대입니다. 그림에 표시된 "H"와 "L"은 각각 고주파 및 저주파의 관련 진폭 및 위상 데이터를 나타냅니다.

최적화 후 다양한 작동 주파수에서 진폭 및 위상 매개변수의 예측 효과를 보다 직관적으로 표시하기 위해 그림 2와 같이 CST Studio Suite 소프트웨어의 시뮬레이션 데모를 위해 일부 메타표면 구조가 무작위로 선택됩니다.

그림 2 최적화된 고주파 및 저주파 데이터의 예측 효과에 대한 개략도. (a)-(f) 실제 데이터(보라색 실선)와 예측 데이터(검은색 점선)를 비교하여 다양한 주파수 범위에서 최적화된 네트워크 모델의 다양한 예측 성능을 보여줍니다. 녹색 영역은 보충 입력으로 사용되는 주파수 정보 데이터를 나타내고, 노란색 영역은 최적화된 예측 성능을 검증하는 데 사용되는 영역을 나타냅니다. 여기서 a와 b는 x-편광 상태의 고주파수 및 저주파 진폭의 예측 결과를 나타냅니다. (c)-(d) y-편광 상태의 고주파수 및 저주파 진폭 예측 결과. (e)-(f) 고주파 및 저주파 위상 예측 결과.

요약 및 전망

본 연구는 다양한 광학 문제의 학습 과제에 맞게 데이터 세트를 타겟 방식으로 분할하여 기존 데이터 세트의 활용 효율성을 효과적으로 향상시켜 딥러닝 모델의 학습 효과를 향상시킵니다.

이 최적화 솔루션은 기존의 소규모 광학 데이터 세트(특히 테라헤르츠 대역의 관련 데이터 세트)의 문제를 효과적으로 완화하고, 복합 재료 설계, 의료 영상 분석 등 딥러닝 기술을 결합하지만 고가의 데이터를 결합하는 더 많은 연구 분야를 제공합니다. , 재무 데이터 예측 등은 데이터 세트 최적화에 대한 새로운 관점을 제공합니다.

제1저자: Xing Xiaohua, Ren Yuqi 감독: Wu Liang, Xiong Deyi, Yao Jianquan

논문 공동작업자: Zou Die, Zhang Qiankun, Mao Bingxuan

감사의 글: Zhang Shuang 교수(홍콩 대학교) 및 Han Jiaguang 교수 논문 작업 중에 도움을 받았습니다. 관련 연구는 국가핵심 R&D 프로그램, 국립자연과학재단 등의 프로젝트에서 지원됩니다.

기자: 장첸쿤시센팡

위 내용은 광학 데이터 세트의 활용도를 높이기 위해 Tianda 팀은 스펙트럼 예측 효과를 향상시키는 AI 모델을 제안했습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!