Використання згорткової нейронної мережі для прогнозування коефіцієнту пропускання метаматеріалів від їх структури та складу

Скорочена інформація про документ
dc.contributor.authorЗозюк, М.О.
dc.contributor.authorЮріков, О.І.
dc.date.accessioned2023-07-12T06:02:56Z
dc.date.available2023-07-12T06:02:56Z
dc.date.issued2023
dc.description.abstractВ цій роботі пропонується використання згортковаої нейронної мережі для прогнозування властивостей метаматеріалів на основі інформації про структуру та фізичний склад метаматеріалів. Основна мета дослідити можливість заміни великої вибірки вхідних даних на велику кількість інформації про елементи вибірки. Основні методи, які були використані – опис метаматеріалу у вигляді 3D об'єкта, запис інформації про склад мета- матеріалів у вигляді додаткових компонентів у векторах об'єкта, представлення експериментальних досліджень у вигляді коефіцієнтів поліному та точок на графіку. Незважаючи на малу кількість даних, отримано достатньо малу похибку для випадку представлення залежності коефіцієнта проходження від частоти у вигляді коефіцієнтів поліному та у випадку представлення даних у вигляді набору точок, та представлено результати прогнозування експериментальних досліджень. Кількість даних може бути збільшена врахуванням умов при яких отримувались експериментальні дані – поляризація, кут падіння, інтенсивність випромінювання і так далі. Основні питання можуть виникнути при підготовці даних для нейронної мережі по причині складнощів при конвертації форматів 3D в потрібний масив даних та врахування всіх обставин, які можуть впливати на експериментальні дослідження.uk
dc.description.abstractotherThe work is devoted to the development of a technique for predicting the coefficient passage of metamaterials based on topological structure and chemical composition with the use of machine learning techniques, namely artificial neural networks using convolution. In modern scientific and technical research, the methods of machine learning, namely: convolutional neural networks, occupy the most rapidly researched method in the design tasks of metamaterials and their properties. The advantage of this technique is the ease of implementation, the availability of data for this approach, the speed of calculations compared to the exact methods of predicting properties and topological structure based on physical laws. Of course, artificial neural networks are a rather complex process that has its own drawbacks – the need for a large amount of data, the relative complexity of optimization, and the complexity of problem formulation. With the development of machine learning technologies, these disadvantages are more and more eliminated, and therefore their use becomes more accessible. A large amount of information about metamaterials from relevant sources was used, namely the topology, chem- ical composition and measurement conditions of metamaterials. Software environments were used for writing digital code and building 3D objects of metamaterials with defined properties. An algorithm for predicting the transmission coefficient based on the structure, chemical composition of metamaterials based on a convolutional neural network using experimental data of laboratory metamaterials has been developed. An algorithm for saving information about the chemical composition of metamaterials has been developed. It is shown that using information about the electromagnetic properties of chemical elements, it is possible to predict the transmission coefficient of metamaterials. The process of presenting the coefficient of passage of metamaterials in a form convenient for training a convolutional neural network is described. Two methods were used to compare the effectiveness of both methods. It is shown that the method of representing experimental characteristics in the form of polynomial coefficients is faster, but not suitable for solving problems of predicting the characteristics of metamaterials. Data augmentation is shown to be the most effective method for improving forecasting results. Nevertheless, performance improvement methods based on architecture changes and hyperparameter changes should be continually eval- uated and used whenever possible.uk
dc.format.pagerangePp. 271444.1-271444.10uk
dc.identifier.citationЗозюк, М.О. Використання згорткової нейронної мережі для прогнозування коефіцієнту пропускання метаматеріалів від їх структури та складу / Зозюк М.О., Юріков О.І. // Мікросистеми, Електроніка та Акустика : науково-технічний журнал. – 2023. – Т. 28, № 1(123). – С. 271444.1-271444.10. – Бібліогр.: 25 назв.uk
dc.identifier.doihttps://doi.org/10.20535/2523-4455.mea.271444
dc.identifier.issn2523-4455
dc.identifier.orcid0000-0001-9116-7217uk
dc.identifier.orcid0000-0001-8620-9902uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/57990
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.ispartofМікросистеми, Електроніка та Акустика: науково-технічний журнал, Т. 28, № 1(123)uk
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectметаматеріалuk
dc.subject3D-згорточна нейронна мережаuk
dc.subjectфізичні властивості матеріалуuk
dc.subjectінформативність елементу вибіркиuk
dc.subjectmetamaterialuk
dc.subject3D convolutional neural networkuk
dc.subjectphysical properties of materialuk
dc.subjectinformativeness of selection elementsuk
dc.subject.udc620.3uk
dc.titleВикористання згорткової нейронної мережі для прогнозування коефіцієнту пропускання метаматеріалів від їх структури та складуuk
dc.title.alternativeConvolutional Neural Network to Predict the Penetration Coefficient of Metamaterials Based on Their Structure and Compositionuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
271444-638744-1-10-20230413.pdf
Розмір:
939.69 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Мікросистеми, Електроніка та Акустика: науково-технічний журнал, Т. 28, № 1(123)