Untuk meningkatkan penggunaan set data optik, pasukan Tianda mencadangkan model AI untuk meningkatkan kesan ramalan spektrum

Editor |. Butterfly Daun Mati

Baru-baru ini, pasukan Profesor Madya Wu Liang dan Ahli Akademik Yao Jianquan dari Institut Laser dan Optoelektronik Universiti Tianjin dan pasukan Profesor Xiong Deyi dari Makmal Pemprosesan Bahasa Semulajadi melaporkan model pembelajaran yang menggunakan input tambahan berbilang frekuensi kepada Penyelesaian untuk meningkatkan prestasi ramalan spektrum. Skim ini boleh meningkatkan ketepatan ramalan spektrum dengan menggunakan data input berbilang frekuensi. Di samping itu, penyelesaian ini juga boleh mengurangkan gangguan bunyi dalam proses ramalan spektrum, dengan itu meningkatkan kesan ramalan.

Penyelesaian ini boleh meningkatkan penggunaan set data optik sedia ada dan meningkatkan kesan ramalan tindak balas spektrum yang sepadan dengan struktur metasurface tanpa meningkatkan kos latihan.

Hasil penyelidikan yang berkaitan bertajuk "Ramalan spektrum dipertingkat menggunakan model pembelajaran mendalam dengan input tambahan berbilang frekuensi" dan telah diterbitkan dalam "Pembelajaran Mesin APL" pada 16 Mei 2024.

Pautan kertas: https://doi.org/10.1063/5.0203931

Latar belakang penyelidikan

Dalam beberapa tahun kebelakangan ini, perkembangan pesat dalam bidang pembelajaran mendalam telah membawa perubahan yang pesat. Ia telah menjadi alat yang berkesan untuk memproses data yang kompleks dan besar dalam pelbagai disiplin.

Kaedah berdasarkan rangkaian saraf dapat mengesan ciri yang berkaitan dan pola potensi data sasaran dengan berkesan, tetapi masih terdapat cabaran tertentu jika model pembelajaran mendalam secara langsung mempelajari data berkaitan ini daripada medan yang berbeza dan format yang berbeza. Untuk menyelesaikan masalah ini, teknik pengekstrakan ciri boleh digunakan. Teknik pengekstrakan ciri boleh mengubah data mentah menjadi perwakilan yang sesuai untuk tugas tertentu. Kaedah pengekstrakan ciri yang berbeza boleh digunakan, seperti FFT berdasarkan analisis domain frekuensi, WT berdasarkan transformasi wavelet, dsb. Dengan menggunakan teknologi ini, bidang yang berbeza boleh digabungkan

Dalam beberapa tahun kebelakangan ini, bidang penyelidikan yang menggabungkan teknologi pembelajaran mendalam secara amnya menghadapi masalah seperti saiz kecil dan kualiti set data sedia ada yang rendah, yang menjejaskan kesan pembelajaran model ke atas. tugas sasaran.

Dalam keseluruhan proses penyelidikan "AI untuk Sains", bahagian yang paling mahal adalah terutamanya pembinaan set data Oleh itu, cara menggunakan set data sedia ada dengan lebih berkesan adalah penting.

Pasukan Universiti Tianjin telah membuktikan melalui penyelidikan bahawa menambah maklumat input berbilang frekuensi tambahan pada set data sedia ada semasa proses ramalan spektrum sasaran boleh meningkatkan ketepatan ramalan rangkaian dengan ketara. Pendekatan ini menyediakan idea baharu untuk menggunakan set data untuk penyelidikan dan aplikasi antara disiplin dalam pembelajaran mendalam dan bidang lain seperti fotonik, reka bentuk bahan komposit dan bioperubatan.

Sorotan Penyelidikan

Tujuan inovatif penyelidikan adalah untuk mencadangkan idea pembahagian maklumat spektrum dalam julat frekuensi penuh, yang ditunjukkan dalam menggabungkan keperluan reka bentuk sebenar dan memisahkan maklumat spektrum frekuensi penuh ke dalam pembelajaran tugasan mengikut bahagian frekuensi kerja dan bahagian frekuensi tidak berfungsi.

Untuk menunjukkan kesejagatan penyelesaian ini, jalur frekuensi operasi sasaran telah diperhalusi kepada bahagian maklumat frekuensi rendah (0-1 THz) dan bahagian maklumat frekuensi tinggi (1-2 THz) untuk menunjukkan kesan pembelajaran model yang dipertingkat.

Berbanding dengan ramalan langsung data julat frekuensi kerja, selepas menambah maklumat frekuensi lain, ralat ramalan data spektrum penghantaran keseluruhan menurun sebanyak kira-kira 80%. Antaranya, model berasaskan Transformer selepas menambah maklumat frekuensi rendah, ralat ramalan hanya Untuk kira-kira 40% ramalan langsung, struktur metasurface yang direka bentuk dan seni bina model ditunjukkan dalam Rajah 1:

Rajah 1 (a)-(b) Gambar rajah skema struktur metasurface, di mana bahagian coklat mewakili Piksel "1", Bahagian kuning mewakili piksel "0". (c) Gambarajah skematik rangkaian CNN, LSTM, GRU dan Transformer Dalam rangkaian hadapan, input model ialah matriks metasurface 25*25 piksel, dan output ialah tindak balas optik, manakala rangkaian terbalik adalah sebaliknya. "H" dan "L" yang ditandakan dalam rajah mewakili data amplitud dan fasa yang berkaitan bagi frekuensi tinggi dan frekuensi rendah masing-masing.

Untuk memaparkan kesan ramalan parameter amplitud dan fasa dengan lebih intuitif pada frekuensi operasi yang berbeza selepas pengoptimuman, beberapa struktur metasurface dipilih secara rawak untuk demonstrasi simulasi dalam perisian CST Studio Suite, seperti yang ditunjukkan dalam Rajah 2:

2 Gambar rajah skema kesan ramalan bagi data frekuensi tinggi dan frekuensi rendah yang dioptimumkan. (a)-(f) Tunjukkan prestasi ramalan berbeza model rangkaian yang dioptimumkan dalam julat frekuensi yang berbeza dengan membandingkan data sebenar (garisan pepejal ungu) dengan data ramalan (garis putus-putus hitam). Kawasan hijau mewakili data maklumat kekerapan yang digunakan sebagai input tambahan, manakala kawasan kuning mewakili kawasan yang digunakan untuk mengesahkan prestasi ramalan yang dioptimumkan. di mana a dan b mewakili keputusan ramalan amplitud frekuensi tinggi dan frekuensi rendah bagi keadaan polarisasi x. (c)-(d) Keputusan ramalan bagi amplitud frekuensi tinggi dan frekuensi rendah bagi keadaan polarisasi y. (e)-(f) Keputusan ramalan bagi fasa frekuensi tinggi dan frekuensi rendah.

Ringkasan dan Tinjauan

Penyelidikan ini meningkatkan kecekapan penggunaan set data sedia ada dengan berkesan dengan memisahkan set data dalam cara yang disasarkan untuk tugasan pembelajaran masalah optik yang berbeza, dengan itu meningkatkan kesan pembelajaran model pembelajaran mendalam.

Penyelesaian pengoptimuman ini berkesan mengurangkan masalah set data optik kecil sedia ada (terutama set data berkaitan dalam jalur terahertz), dan juga menyediakan lebih banyak bidang penyelidikan yang menggabungkan teknologi pembelajaran mendalam tetapi data mahal, seperti reka bentuk bahan komposit, analisis imej perubatan , ramalan data kewangan, dsb. menyediakan perspektif baharu untuk mengoptimumkan set data.

Pengarang pertama: Xing Xiaohua, Ren Yuqi Penyelia: Wu Liang, Xiong Deyi, Yao Jianquan

Kolaborator kertas: Zou Die, Zhang Qiankun, Mao Bingxuan

Penghargaan: Profesor Universiti Zhang Shuang () Profesor Zhang Shuang () Universiti Hong Kong semasa kerja tesis s membantu. Penyelidikan yang berkaitan disokong oleh projek seperti Program Penyelidikan dan Pembangunan Utama Negara dan Yayasan Sains Semula Jadi Kebangsaan.

Koresponden: Zhang Qiankun Shi Senfang

Atas ialah kandungan terperinci Untuk meningkatkan penggunaan set data optik, pasukan Tianda mencadangkan model AI untuk meningkatkan kesan ramalan spektrum. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!