文件名称:Deep-Learning-for-Metasurface-Optimization:使用TensorFlowKeras进行元表面参数优化的深度学习
文件大小:56.79MB
文件格式:ZIP
更新时间:2024-05-23 09:13:49
Python
深度学习用于元表面优化 使用深度学习以张量流/角点和约5600 Lumerical模拟作为训练数据来优化单元素超表面参数。 在垂直入射光下进行的模拟。 定义超表面的特征是1.长度(L)2.宽度(W)3.高度(H)4.x方向周期性(Ux)5. y方向周期性(Uy)。 输出是周围和整个可见光的相位光谱,增量为5 nm(450 nm-800 nm)。 对于PowerPoint,有动画,所以我建议在幻灯片放映模式下观看。 此仓库中发布的所有内容均已获得许可 我将在介绍这项工作。 背景 超表面用于多种应用以各种方式操纵光。 设计这些纳米结构的当前最先进的方法是相当中世纪的,并且依赖于蛮力策略。 也就是说,给定所需的输出,超颖表面参数的哪些组合可以为我们提供最接近所寻找值的值? 为了回答这个问题,研究人员依靠仿真软件并执行了数千次参数扫描,希望他们找到最佳的组合。 在时间和计算能力方面,仿真的成本
【文件预览】:
Deep-Learning-for-Metasurface-Optimization-master
----Presentation.pptx.zip(8.9MB)
----test_y.txt(1001KB)
----my_model.h5(1.6MB)
----my_model_weights.h5(1.6MB)
----train_y.txt(7.82MB)
----PHOTONICA2019-Book_of_abstracts.pdf(2.35MB)
----test_results.zip(18.4MB)
----README.md(8KB)
----validation_results.zip(17.92MB)
----Input.csv(114KB)
----Images()
--------results_test.png(713KB)
--------test_434.png(29KB)
--------results_validation.png(590KB)
--------val_408.png(27KB)
--------Summary.png(206KB)
----val_y.txt(1004KB)
----val_x.txt(69KB)
----test_x.txt(69KB)
----train_x.txt(553KB)
----Output.csv(4.72MB)
----core.py(8KB)