Using Information about Experimental Conditions to Predict Properties of Metamaterials

Скорочена інформація про документ
dc.contributor.authorKrysenko, P. I.
dc.contributor.authorZoziuk, M. O.
dc.date.accessioned2024-03-15T10:40:42Z
dc.date.available2024-03-15T10:40:42Z
dc.date.issued2023
dc.description.abstractIn this work, a method of increasing the amount of data for training neural networks is proposed using the possibility of using information about the experimental conditions of measuring the properties of metamaterials. It is shown that the method is flexible and effective. The results of predicting the transmission coefficient of the metamaterial for different angles of incidence of radiation and type of polarization are presented. Using the architecture presented in the work, a high rate of learning and generation of new data was obtained with an error that does not exceed 12% for experiments in one frequency range and does not exceed 31% if all experiments are used for training. The architecture of the neural network and the method by which it is possible to easily change the number and types of experimental conditions are presented.
dc.description.abstractotherНа даний момент існує проблема збільшення кількості елементів для навчання нейронних мереж, які повинні прогнозувати властивості метаматеріалів. У даній роботі запропоновано метод збільшення обсягу даних для навчання нейронних мереж з використанням можливості використання інформації про експериментальні умови вимірювання властивостей метаматеріалів. Показано, що метод гнучкий і ефективний. Наведено результати прогнозування коефіцієнта пропускання метаматеріалу для різних кутів падаючого випромінювання та типу поляризації. Використовуючи представлену в роботі архітектуру, була отримана висока швидкість навчання і генерації нових даних з точністю, яка не перевищує 12% для експериментів в одному частотному діапазоні і не перевищує 31%, якщо для навчання використовуються всі експерименти. Представлено архітектуру нейронної мережі та метод, за допомогою якого можна легко змінювати кількість та типи умов експерименту. Для прогнозування коефіцієнта передачі на основі структури, фізичного складу і умов експерименту використовувалося дослідження, де були присутні всі дані. Було проведено ряд чисельних експериментів — з використанням дослідів в діапазоні частот від 0,2 до 0,6 ТГц; тільки експерименти в діапазоні частот від 137 до 375 ТГц і все разом. Кожна характеристика (залежність коефіцієнта пропускання від частоти) представлялася у вигляді 40 чисел, де перші двадцять чисел — масштабоване значення частоти, а останні двадцять — коефіцієнт пропускання. Масштабування частот відбувалося для всіх характеристик в однакових межах (від 0,2 до 375 ТГц). Як буде видно далі, це сильно вказується при прогнозуванні частоти. Для кожного випадку було сформовано дві характеристики. Розподіл між навчальним і тестовим наборами відбувався у пропорції 80/20% від загальної кількості. Було встановлено, що найкраща точність спостерігається для випадку, коли для навчання використовуються характеристики в діапазоні від 137 до 375 ТГц. Найнижча точність спостерігається при використанні комбінованих даних. Задана модифікована вдосконалена архітектура нейронної мережі, за допомогою якої можна прикріплювати інформацію про умови експерименту до даних про метаструктуру. Проаналізовано, що з використанням експериментальних даних, на які впливають різні фізичні впливи, необхідна достатня кількість цих даних для того, щоб якість прогнозування та генерації нових характеристик була достатньо точною для практичного застосування. Зазначено, що результати чисельних експериментів дозволяють стверджувати, що такий підхід до кодування інформації про метаструктуру (топологічну структуру, фізичний склад компонентів, цільові характеристики) та умови експерименту є робочим і є перспективи його практичного використання в прикладних задачах.
dc.format.pagerangeС. 287808.1-287808.8
dc.identifier.citationKrysenko, P. I. Using Information about Experimental Conditions to Predict Properties of Metamaterials / P. I. Krysenko, M. O. Zoziuk // Мікросистеми, Електроніка та Акустика : науково-технічний журнал. – 2023. – Т. 28, № 3(125). – С. 287808.1-287808.8. – Бібліогр.: 24 назв.
dc.identifier.doihttps://doi.org/10.20535/2523-4455.mea.287808
dc.identifier.orcid0000-0002-5612-9474
dc.identifier.orcid0000-0001-9116-7217
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/65556
dc.language.isoen
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.relation.ispartofМікросистеми, Електроніка та Акустика : науково-технічний журнал, 2023, Т. 28, № 3(125)
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectmetamaterials
dc.subject3D convolutional neural network
dc.subjectexperimental conditions
dc.subjectметаматеріали
dc.subject3D-згорткова нейронна мережа
dc.subjectумови експерименту
dc.subject.udc620.3
dc.titleUsing Information about Experimental Conditions to Predict Properties of Metamaterials
dc.title.alternativeВикористання інформації про умови експерименту для прогнозування властивостей метаматеріалів
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
287808.1-287808.8.pdf
Розмір:
1.4 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Мікросистеми, Електроніка та Акустика: науково-технічний журнал, Т. 28, № 3(125)