Згорткова нейронна мережа для прогнозування коефіцієнту пропускання метаматеріалів в залежності від їх структури
| dc.contributor.advisor | Королюк, Дмитро Володимирович | |
| dc.contributor.author | Зозюк, Максим Олегович | |
| dc.date.accessioned | 2024-02-27T13:04:58Z | |
| dc.date.available | 2024-02-27T13:04:58Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Зозюк М. О. Згорткова нейромережа для прогнозування коефіцієнту пропускання метаматеріалів в залежності від їх структури. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 153 – Мікро- та наносистемна техніка (галузь знань 15 – Автоматизація та приладобудування). – Національний технічний університет України, Київ, 2022. Робота присвячена розробці методики прогнозування коефіцієнту пропускання метаматеріалів на основі топологічної структури та складу із застосуванням технік глибокого навчання, а саме – математичні нейронні мережі з використанням операцій згортки та допоміжних. Науково-прикладні дослідження, висвітлені в дисертаційній роботі, зосереджені на практичному дослідженні згорткових нейронних мереж для виконання завдань прогнозування у сферах проєктування, передбачення метаматеріалів з потрібними властивостями. В сучасних науково-технічних дослідженнях методи глибокого навчання: згорткові нейроні мережі, дають можливість розробити прості й ефективні методи аналізу та прогнозу властивостей в задачах дизайну метаматеріалів. Перевагою цієї техніки є зручність в реалізації, наявність даних для цього підходу, швидкість в обчисленнях у порівнянні з точними методами прогнозування властивостей і топологічної структури на основі фізичних законів. Звичайно, нейронні мережі є доволі складним процесом, який має свої недоліки – необхідність у великій кількості даних, відносна складність оптимізації, складність постановки задачі. З розвитком технологій глибокого навчання, ці недоліки все більш нівелюються, і тому їх використання стає доступнішим. Нейронні мережі використовуються для дизайну метаматеріалів, тобто штучних матеріалів, що мають непередбачуваний зворотний відгук на електромагнітні хвилі. Основна ідея полягає в тому, що нейронні мережі використовуються для оптимізації топології та параметрів метаматеріалів. Перш за все, нейронна мережа навчається на основі великої кількості вхіднихвихідних даних, де вхідні дані становлять собою деякі параметри метаматеріалу (наприклад, розмір, форма, компоненти), а вихідні дані - бажаний відгук на світло (наприклад, поглинання, відбивання, пропускання). Після завершення навчання, нейронна мережа може бути використана для прогнозування вихідних даних на основі нових вхідних даних, тобто вона може передбачати як відгук метаматеріалу на нові електромагнітні хвилі. Нейронні мережі можуть допомогти в процесі дизайну метаматеріалів, оскільки вони можуть досліджувати велику кількість варіантів метаматеріалів та ефективно оптимізувати їх параметри з метою досягнення бажаного функціонального відгуку. Одне з переваг використання нейронних мереж у дизайні метаматеріалів полягає в тому, що вони можуть враховувати складні взаємозв'язки між параметрами матеріалів і функціональним відгуком. Вони здатні знаходити нелінійні залежності, які можуть бути складні для методів традиційного проєктування. Отже, нейронні мережі дозволяють автоматизувати та оптимізувати процес дизайну метаматеріалів, забезпечуючи швидшу та ефективнішу розробку нових матеріалів з бажаними властивостями. Для досліджень використовувались сучасні напрацювання для згорткових нейронних мереж щодо підходів, які застосовуються для подолання їх обмежень. Було використано велику кількість інформації про метаматеріали з відповідних джерел, а саме – топологія та склад метаматеріалів. Використовувались програмні середовища для написання цифрового коду та побудови 3D об’єктів метаматеріалів з визначеними властивостями. Проаналізована можливість прогнозування коефіцієнту пропускання на основі інформації про структуру та складу метаматеріалів. Показано, що така можливість існує й описані основні умови, які накладаються на дані про метаматеріали, які потрібні для використання згорткових нейронних мереж при розв’язанні задач з прогнозування інформації про метаматеріали. Встановлено, що дані збережені в «.ply» форматі, не підходять, як вхідні дані для нейронної мережі. Був використаний програмний пакет Open3D на базі Python, для конвертації початкового формату у формат «.xyzrgb», який становить собою масив, де кожен рядок – це вектор з шести чисел; перші три – це координати, три інших – це RGB числа. Показана можливість використання такого вигляду інформації в процесах згортки та для навчання нейронної мережі. Представлено умови, які накладаються на дані: однорідність даних, що означає, що всі параметри, які впливають на результат прогнозування, мають або бути однаковими, або бути внесені в дані, як інформація про властивості; масштабованість, що означає, що дані мають бути зведені до однакових діапазонів значень та масштабів. Розроблено алгоритм прогнозування властивостей на основі структури та складу метаматеріалів із використанням згортокової нейронної мережі. Розроблено алгоритм для збереження інформації про склад метаматеріалів. Показано, що використовуючи інформації про електромагнітні властивості компонентів є можливість передбачувати електромагнітні властивості метаматеріалів. Побудовано в цифровому середовищі 3D об'єкти метаматеріалів із закріпленням за кожним пікселем інформації про компонент. Описано алгоритм збереження цієї інформації у зручному для навчання згорткової нейронної мережі вигляді. Представлено види цифрових форматів, які можуть бути використані для збереження потрібної про метаматеріали інформації. Проаналізовано формат, який використовувався для збереження інформації про 3D об’єкт в цій роботі. Описано процес представлення властивостей метаматеріалів у зручному для навчання згорткової нейронної мережі вигляді. Два методи було використано для порівняння ефективності обох методів. Показано, що метод з представлення характеристик у вигляді коефіцієнтів полінома є швидшим, але не відповідним для вирішення задач з прогнозування характеристик метаматеріалів. Проаналізовано інші формати збереження інформації про 3D структури. Досліджено, що такі формати, як «.fbx», «.obj», «.stl», «.3ds» не підходять, через такі причини: відсутність ефективного програмного функціонала (для конвертування в потрібний для нейронної мережі формат); відсутність збереження інформації про додаткові канали інформації; присутність зайвої інформації, яку немає можливості відділити від необхідної. Розроблено архітектуру згорткової нейронної мережі для прогнозування частотних електромагнітних характеристик на основі структури та складу метаматеріалів. Показані результати прогнозування для обох випадків з представлення коефіцієнту пропускання – у вигляді масиву точок та коефіцієнтів поліному. Проаналізовано результати прогнозування та приведені способи до покращення цих результатів та оптимізації мережі для зменшення часу виконання навчання та збереження ресурсів. Вказано, що збільшення даних є найбільш ефективним методом для покращення результатів прогнозування. Попри це, методи покращення результатів, які засновані на зміні архітектури та зміни гіперпараметрів потрібно постійно оцінювати та використовувати при можливості. | |
| dc.description.abstractother | Zozyuk Maksym Application of convolutional neural network for predicting the coefficient of passage of metamaterials depending on the structure and physical composition of metamaterials. – Qualifying scientific work on manuscript rights. Dissertation for obtaining the scientific degree of Doctor of Philosophy in specialty 153 – Micro- and nanosystem engineering (field of knowledge 15 – Automation and instrument engineering). - National Technical University of Ukraine, Kyiv, 2022. The work is devoted to the development of a technique for predicting the penetration coefficient of metamaterials based on topological structure and physical composition with the use of machine learning techniques, namely artificial neural networks using convolution and auxiliary operations. Scientific and applied research, highlighted in the dissertation, is focused on the practical study of artificial convolutional neural networks for performing forecasting tasks in the fields of design, prediction of metamaterials with the required properties. The choice of these machine learning techniques is due to the inefficiency of other existing methods for the tasks of predicting properties and designing metamaterials. 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. Neural networks are used to design metamaterials, that is, artificial materials that have an unpredictable feedback to electromagnetic waves. The basic idea is that neural networks are used to optimize the topology and parameters of metamaterials. First of all, the neural network is trained on a large amount of input-output data, where the input is some parameter of the metamaterial (e.g., size, shape, components) and the output is the desired response to light (e.g., absorption, reflectance, transmittance). Once trained, the neural network can be used to predict the output data based on new input data, meaning it can predict how the metamaterial will respond to new electromagnetic waves. Neural networks can help in the metamaterial design process because they can explore a large number of metamaterial options and efficiently optimize their parameters to achieve the desired functional response. One of the advantages of using neural networks in the design of metamaterials is that they can account for the complex relationships between material parameters and functional response. They are able to find non-linear dependencies that can be difficult for traditional design methods. Consequently, neural networks enable the automation and optimization of the metamaterial design process, enabling faster and more efficient development of new materials with desired properties. The research used a range of knowledge about convolutional neural networks and the approaches used to overcome their limitations. A large amount of information about metamaterials from relevant sources was used, namely the topology, physical composition and measurement conditions of metamaterials. Software environments were used for writing digital code and building 3D objects of metamaterials with defined properties. The possibility of predicting the transmission coefficient based on information about the structure, physical composition, and measurement conditions of metamaterials is analyzed. It is shown that such a possibility exists, and the main conditions imposed on data about metamaterials, which are required for the use of convolutional neural networks in solving problems of predicting information about metamaterials, are described. An algorithm for predicting the transmission coefficient based on the structure, physical composition of metamaterials based on a convolutional neural network using experimental data of laboratory metamaterials has been developed. It was found that data saved in ".ply" format is not suitable as input data for a neural network. The Python-based Open3D software package was used to convert the original format to the ".xyzrgb" format, which is an array where each line is a vector of six numbers; the first three are coordinates, the other three are RGB numbers. The possibility of using this type of information in convolution processes and for neural network training is shown. Conditions imposed on the data are presented: data homogeneity, which means that all parameters that affect the prediction result must either be the same or be included in the data as property information; scalability, which means that the data must be reduced to the same ranges of values and scales. An algorithm for saving information about the physical 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. 3D objects of metamaterials are built in a digital environment with information about a chemical element attached to each pixel. The algorithm for saving this information in a form convenient for training a convolutional neural network is described. Types of digital formats that can be used to save the necessary information about metamaterials are presented. The format used to store information about the 3D object in this work was analyzed. 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. Other formats for saving information about 3D structures were analyzed. It has been studied that such formats as ".fbx", ".obj", ".stl", ".3ds" are not suitable due to the following reasons: lack of effective software functionality (to convert to the format required for the neural network); lack of saving information about additional channels of information; the presence of redundant information that cannot be separated from the necessary information. A convolutional neural network architecture has been developed for predicting the transmission coefficient based on the structure and physical composition of metamaterials. Prediction results are shown for both cases from the representation of the pass coefficient - in the form of an array of points and polynomial coefficients. The prediction results are analyzed and techniques are given to improve these results and optimize the network to reduce training execution time and save resources. 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 evaluated and used whenever possible. | |
| dc.format.extent | 155 с. | |
| dc.identifier.citation | Зозюк, М. О. Згорткова нейромережа для прогнозування коефіцієнту пропускання метаматеріалів в залежності від їх структури : дис. … д-ра філософії : 153 Мікро- та наносистемна техніка / Зозюк Максим Олегович. – Київ, 2023. – 155 с. | |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/65031 | |
| dc.language.iso | uk | |
| dc.publisher | КПІ ім. Ігоря Сікорського | |
| dc.publisher.place | Київ | |
| dc.subject | згорткова нейронна мережа | |
| dc.subject | дизайн метаматеріалів | |
| dc.subject | 3D модель | |
| dc.subject | коефіцієнт пропускання | |
| dc.subject | глибоке навчання | |
| dc.subject | діелектрична проникність | |
| dc.subject | вимірювання параметрів матеріалів | |
| dc.subject | діелектричні матеріали | |
| dc.subject | апроксимаційна модель | |
| dc.subject | експериментально-аналітичний метод | |
| dc.subject | візуалізація інформації | |
| dc.subject | нелінійна модель | |
| dc.subject | інтелектуальне обчислення | |
| dc.subject | комп'ютерне програмування | |
| dc.subject | діелектрики | |
| dc.subject | чисельне моделювання | |
| dc.subject | машинне навчання | |
| dc.subject | математичне моделювання | |
| dc.subject | передбачення | |
| dc.subject | convolutional neural network | |
| dc.subject | metamaterial design | |
| dc.subject | 3D model | |
| dc.subject | pass rate | |
| dc.subject | dielectric materials | |
| dc.subject | dielectric constant | |
| dc.subject | measurement of material parameters | |
| dc.subject | approximation model | |
| dc.subject | experimental-analytical method | |
| dc.subject | information visualization | |
| dc.subject | nonlinear model | |
| dc.subject | intelligent computing | |
| dc.subject | computer programming | |
| dc.subject | dielectrics | |
| dc.subject | numerical modeling | |
| dc.subject | machine learning | |
| dc.subject | mathematical modeling | |
| dc.subject | prediction | |
| dc.subject.udc | 538.9, 539.2, 539.3, 620.3 | |
| dc.title | Згорткова нейронна мережа для прогнозування коефіцієнту пропускання метаматеріалів в залежності від їх структури | |
| dc.type | Thesis Doctoral |
Файли
Контейнер файлів
1 - 1 з 1
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: