.png){kind=icon}
返回
Small-Sample Machine Learning-Based Design Framework for Pixelated Reflective Metasurfaces
.png){kind=icon}
PRE
AI
DOI：10.1109/tmtt.2026.3691457.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
元表面设计涉及对多个单元细胞进行耗时且计算成本高昂的优化，以实现对电磁（EM）波的期望操纵。本文提出了一种小样本机器学习为基础的设计框架，以加速像素化反射元表面单元细胞的设计。开发了一种创新的小样本数据采集算法，以优化采样程序以提高代表性。通过集成混合神经网络，所提出的设计框架显著减少了设计像素化元表面所需的数据集大小。它同时实现了高设计自由度并缓解了数据需求。实施结果表明，与传统的基于机器学习的方法相比，所提出的方法显著降低了数据和计算成本。为进一步验证，该方法是应用于设计具有各种能力的六个元表面，包括单极化和双极化照明源的单向和双向波束转向。测量和仿真结果之间的一致性证明了所提出方法的有效性。
Keyword:
Electromagnetic (EM) modeling
machine learning
metasurface design
pixelated metasurface
small-sample data acquisition
期刊
IF:
4.5
论文数:
686
被引数:
3.5W
机构
引用论文
Data-Enabled Advancement of Computation in Engineering: A Robust Machine Learning Approach to Accelerating Variational Methods in Electromagnetics and Other Disciplines基于数据的工程计算进步: 一种强大的机器学习方法，用于加速电磁学和其他学科的变分方法
OAAI
OAAI分享收藏An Inverse Topological Design Method (ITDM) Based on Machine Learning for Frequency-Selective-Surface (FSS) Structures基于机器学习的频率选择表面(FSS)结构逆拓扑设计方法(ITDM)
PREAI
分享收藏Bayesian-Inspired Sampling for Efficient Machine-Learning-Assisted Microwave Component Design贝叶斯启发的采样方法用于高效的机器学习辅助微波组件设计
PREAI
分享收藏Hossain, M.J.; Mubashsara, N.; Khan, R.; Matin, M.A.; Sarigiannidis, P.; Goudos, S.K. Design of an Ultra-thin Metamaterial Absorber with Machine Learning-Assisted Absorption Prediction. IEEE Trans. Artif. Intell. 2025, 1–15. [Google Scholar] [CrossRef]Hossain, M.J.; Mubashsara, N.; Khan, R.; Matin, M.A.; Sarigiannidis, P.; Goudos, S.K. 基于机器学习辅助吸收预测的超薄超材料吸波器设计。IEEE Trans. Artif. Intell. 2025, 1–15. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容