.png){kind=icon}
返回
Combining Bayesian Optimization, Singular Value Decomposition, and Machine Learning for Advanced Optical Design
.png){kind=icon}
PRE
AI
DOI：10.1021/acsphotonics.4c02157.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
光学元件（如Bragg光栅）的设计与优化对于电信、传感和光子电路等应用至关重要。为克服依赖计算密集型模拟和大型数据集的传统设计方法的局限性，我们提出了一种集成方法，该方法在显著降低这些负担的同时，保持了高精度的光学响应预测能力。首先，我们采用贝叶斯优化技术，从设计空间中战略性地选取有限但信息量丰富的模拟点，确保每个点对模型性能的最大贡献。其次，我们利用奇异值分解（SVD）将整个反射光谱有效参数化为一组简化的系数，使我们能够在不失关键信息的情况下捕捉所有重要的光谱特征。最后，我们应用XGBoost这一鲁棒机器学习算法，从简化数据集中预测整个反射光谱。贝叶斯优化用于数据选择、奇异值分解（SVD）用于全光谱拟合以及XGBoost用于预测建模的组合，为光学元件的设计提供了一种强大且通用的框架。
Keyword:
Machine learning
data acquisition
singularvalue decomposition
Bayesian optimization
opticalresponse
期刊
IF:
6.7
论文数:
5.7K
被引数:
2.5W
机构
引用论文
The study of 3D FDTD modelling of large-scale Bragg gratings validated by experimental measurements大规模Bragg光栅的3D FDTD建模研究并通过实验测量验证
OAAI
OAAI分享收藏Singular value decomposition of quaternion matrices: a new tool for vector-sensor signal processing.png)
SIGNAL PROCESSING
SIGNAL PROCESSINGIF3.6
PREAI
分享收藏Deep learning in nano-photonics: inverse design and beyond纳米光子学中的深度学习: 逆向设计及超越PHOTONICS RESEARCHOAAI
PHOTONICS RESEARCHIF7.2
OAAI分享收藏
Taking the Human Out of the Loop: A Review of Bayesian Optimization将人类带出循环: 贝叶斯优化的回顾PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏Highly-photosensitive Er/Yb-codoped fiber for single-frequency continuous-wave fiber lasers with a short cavity for telecom applicationsOPTICAL MATERIALS
OPTICAL MATERIALSIF4.2
PREAI
分享收藏
查看更多内容