可调谐石墨烯基元表面的逆向设计的迁移学习
摘要：使用卷积神经网络 (CNNs) 设计可调谐的基于石墨烯的电磁元表面的新方法。以前使用电磁元表面通过调整波长尺度内的亚波长元素的局部相位来操作电磁波，从而产生各种有趣的设备。然而，大多数这些设备只能执行单个功能，很难在单个设计中实现多功能。作为一种活性材料，石墨烯具有可调性等独特属性，使其成为实现可调谐元表面的优秀候选材料。拟议的方法涉及使用两个 CNNs 设计石墨烯元表面的被动结构并预测所需的化学势以实现可调谐响应。通过使用转移学习训练 CNNs，极大地减少了收集训练数据集所需的时间。拟议的逆向设计方法在设计可重构的电磁元表面方面表现出良好的性能，可以调节以产生多种功能，因此在各种应用中具有很高的价值。结果表明，拟议的方法高效准确，并提供了一种为未来的无线通信系统设计可重构智能表面的有希望的方法。
作者：Mehdi Kiani, Mahsa Zolfaghari, and Jalal Kiani
论文ID：2307.10641
分类：Applied Physics
分类简称：physics.app-ph
提交时间：2023-07-21