CN114664395A - 基于神经网络和贝叶斯优化的热辐射材料设计方法及*** - Google Patents
基于神经网络和贝叶斯优化的热辐射材料设计方法及*** Download PDFInfo
- Publication number
- CN114664395A CN114664395A CN202210300613.1A CN202210300613A CN114664395A CN 114664395 A CN114664395 A CN 114664395A CN 202210300613 A CN202210300613 A CN 202210300613A CN 114664395 A CN114664395 A CN 114664395A
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- design
- thermal radiation
- radiation material
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 91
- 238000013461 design Methods 0.000 title claims abstract description 88
- 238000005457 optimization Methods 0.000 title claims abstract description 72
- 230000005855 radiation Effects 0.000 title claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000004088 simulation Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000003042 antagnostic effect Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 9
- 238000002360 preparation method Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 2
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000000377 silicon dioxide Substances 0.000 description 2
- 235000012239 silicon dioxide Nutrition 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- MCMNRKCIXSYSNV-UHFFFAOYSA-N ZrO2 Inorganic materials O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 229910052732 germanium Inorganic materials 0.000 description 1
- 229940119177 germanium dioxide Drugs 0.000 description 1
- YBMRDBCBODYGJE-UHFFFAOYSA-N germanium oxide Inorganic materials O=[Ge]=O YBMRDBCBODYGJE-UHFFFAOYSA-N 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000000395 magnesium oxide Substances 0.000 description 1
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 1
- AXZKOIWUVFPNLO-UHFFFAOYSA-N magnesium;oxygen(2-) Chemical compound [O-2].[Mg+2] AXZKOIWUVFPNLO-UHFFFAOYSA-N 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000002086 nanomaterial Substances 0.000 description 1
- RVTZCBVAJQQJTK-UHFFFAOYSA-N oxygen(2-);zirconium(4+) Chemical compound [O-2].[O-2].[Zr+4] RVTZCBVAJQQJTK-UHFFFAOYSA-N 0.000 description 1
- 239000004038 photonic crystal Substances 0.000 description 1
- 229910001404 rare earth metal oxide Inorganic materials 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000004408 titanium dioxide Substances 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于神经网络和贝叶斯优化的热辐射材料设计方法及***,包括如下步骤:模型获取步骤:获取并训练深度学习神经网络模型;循坏迭代步骤:将训练后的深度学习神经网络模型结合贝叶斯优化对热辐射材料结构设计进行循环迭代,得到热辐射材料结构设计。本发明通过采用深度学习神经网络模型和贝叶斯优化相结合的设计框架,将高维候选空间映射为低维、连续且紧凑的空间,再由贝叶斯优化进行高效搜索,解决了高维热辐射材料难以实现全局优化设计的问题。
Description
技术领域
本发明涉及纳米光子结构设计的技术领域,具体地,涉及一种基于神经网络和贝叶斯优化的热辐射材料设计方法及***。尤其是,优选的涉及一种基于深度学习神经网络和贝叶斯优化的热辐射材料按需设计方法。
背景技术
人工设计光子结构(包括光子晶体、超材料和等离子体纳米结构等)在定制光与物质之间的相互作用展现出了具有极大的优势,可广泛应用于辐射制冷、热光伏和热伪装等热辐射领域。为了实现各种新颖且复杂的光学特性,在高维候选空间中进行高效搜索以实现按需材料设计正变得越来越重要,这给热辐射材料的进一步推广带来了极大困难。
近年来,已经提出了各种基于梯度或基于元启发式的算法用于复杂的“非直观”超材料设计。然而这些算法往往会由于不同的初始种群选择而陷入局部最优,依赖耗时的电磁仿真迭代计算,且难应用于具有高自由度的结构体系。深度学习神经网络作为数据驱动的方法,可以通过学习训练集中光与物质之间复杂的相互作用关系,从而快速设计出具有目标热辐射特性的材料结构,然而数据集准备耗时和损失函数难以收敛等问题的存在同样限制了其设计效率。
现有技术中,2019年1月的期刊“ACS central science”第319-326页AtsushiSakurai等人公开了基于贝叶斯优化的热辐射材料设计方法,该方法虽然实现了高效地全局优化搜索,但却由于贝叶斯优化严重依赖计算内存而不能应用在具有高维候选空间的热辐射材料体系。2019年6月的期刊“Nanophotonics”第1255-1261页Sunae So等人提出的基于条件深度卷积生成对抗网络的纳米光子结构设计,和2020年5月的期刊“AppliedPhysics Reviews”中Zhaxylyk A.Kudyshev等人公开的基于对抗自编码器的热辐射材料设计方法,深度学习模型虽然实现了特定热辐射目标下材料设计特点的学习,但却没有进一步高效的搜索方式来辅助确定最优材料设计。
公开号CN104277241A的中国发明专利文献公开了一种热辐射材料,其中包含以下填料:二氧化钛,重量百分比为10~45%;二氧化锆,重量百分比为5~25%;氧化镁,重量百分比为2~30%;稀土金属氧化物,重量百分比为0.01~0.5%。其中该热辐射材料的热导率为0.34~1.5W/m·K,该热辐射材料在40℃,4~14μm的红外光谱区的红外线发射率大于等于88%。
针对上述中的相关技术,发明人认为传统优化算法存在迭代计算耗时、容易陷入局部最优和难用于具有高自由度的结构体系等问题,神经网络存在数据集准备耗时和损失函数难以收敛等问题,至于最新提出的一些材料设计方法,自身也同样存在局限。也就是说,低效的热辐射材料设计方法极大增加了研发成本和周期。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于神经网络和贝叶斯优化的热辐射材料设计方法及***。
根据本发明提供的一种基于神经网络和贝叶斯优化的热辐射材料设计方法,包括如下步骤:
模型获取步骤:获取并训练深度学习神经网络模型;
循坏迭代步骤:将训练后的深度学习神经网络模型结合贝叶斯优化对热辐射材料结构设计进行循环迭代,得到热辐射材料结构设计。
优选的,所述模型获取步骤包括如下步骤:
步骤S1:针对材料体系和设计目标,进行数据集的准备;
步骤S2:使用数据集训练对抗自编码器,提取对抗自编码器中的解码器作为生成模型。
优选的,所述步骤S1包括如下步骤:
特性获取步骤:将材料的结构用数字序列表示,并作为电磁仿真的输入得到材料热辐射特性;
标准确定步骤:根据设计目标,确定评估标准;
数据集获取步骤:使用传统优化算法或随机搜索进行特性获取步骤和标准确定步骤的迭代循环,筛选后得到数据集。
优选的,所述步骤S2包括如下步骤:
网络确定步骤:将数据集进行数据扩充,并确定对抗自编码器网络架构;
训练模型步骤:使用数据扩充后的数据集训练对抗自编码器并分块保存对抗自编码器内部的模型。
优选的,在所述循坏迭代步骤中,将生成模型的输出连接电磁仿真的输入,电磁仿真的输出连接评估标准,评估标准下的计算结果连接贝叶斯优化的输入,贝叶斯优化的输出连接生成模型的输入,循环迭代直至设计满足目标。
根据本发明提供的一种基于神经网络和贝叶斯优化的热辐射材料设计***,包括如下模块:
模型获取模块:获取并训练深度学习神经网络模型;
循坏迭代模块:将训练后的深度学习神经网络模型结合贝叶斯优化对热辐射材料结构设计进行循环迭代,得到热辐射材料结构设计。
优选的,所述模型获取模块包括如下模块:
模块M1:针对材料体系和设计目标,进行数据集的准备;
模块M2:使用数据集训练对抗自编码器,提取对抗自编码器中的解码器作为生成模型。
优选的,所述模块M1包括如下模块:
特性获取模块:将材料的结构用数字序列表示,并作为电磁仿真的输入得到材料热辐射特性;
标准确定模块:根据设计目标,确定评估标准;
数据集获取模块:使用传统优化算法或随机搜索进行特性获取模块和标准确定模块的迭代循环,筛选后得到数据集。
优选的,所述模块M2包括如下模块:
网络确定模块:将数据集进行数据扩充,并确定对抗自编码器网络架构;
训练模型模块:使用数据扩充后的数据集训练对抗自编码器并分块保存对抗自编码器内部的模型。
优选的,在所述循坏迭代模块中,将生成模型的输出连接电磁仿真的输入,电磁仿真的输出连接评估标准,评估标准下的计算结果连接贝叶斯优化的输入,贝叶斯优化的输出连接生成模型的输入,循环迭代直至设计满足目标。
与现有技术相比,本发明具有如下的有益效果:
1、本发明通过采用深度学习神经网络模型和贝叶斯优化相结合的设计框架,将高维候选空间映射为低维、连续且紧凑的空间,再由贝叶斯优化进行高效搜索,解决了高维热辐射材料难以实现全局优化设计的问题;
2、本发明提出的基于深度学习神经网络和贝叶斯优化的热辐射材料按需设计方法通过计算远低于总候选空间1%的结构数,便可实现目标热辐射特性下的材料结构设计,同时解决了贝叶斯优化算法难以用于高维问题下的全局搜索和神经网络训练集准备耗时等问题,极大节省了搜索成本。即使用深度学习神经网络将高维候选空间有效压缩到低维空间,再结合贝叶斯优化进行高效搜索的结果,证明了设计框架的有效性、可行性和准确性,所提出的方法也可以扩展到其他高维复杂热辐射材料设计问题;
3、本发明可用于根据光谱响应逆向按需设计复杂热辐射材料的情形,能极大程度缩短材料的研发成本和周期。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为深度学习神经网络的训练流程示意图;
图2为深度学习神经网络中的生成模型结合贝叶斯优化的流程示意图;
图3为深度学习神经网络的网络架构示意图;
图4为针对4.5、5.5和6.5微米三类目标波长下最优结构设计所对应的光谱响应图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例公开了一种基于深度学习神经网络和贝叶斯优化的热辐射材料按需设计方法,如图1和图2所示,包括如下步骤:模型获取步骤:获取并训练深度学习神经网络模型。
模型获取步骤包括如下步骤:步骤S1:针对材料体系和设计目标,进行数据集的准备,数据集包括结构-特性数据集或者结构数据集。具体为,针对特定的材料体系和设计目标,使用少量计算进行结构-特性数据集或者结构数据集的准备。结构-特性数据集表示由结构和特性组成的数据集,结构和特性一一对应,结构表示材料的结构设计,特性表示根据材料的结构设计经电磁仿真计算得到的热辐射特性。
步骤S1包括如下步骤:特性获取步骤:将材料的结构用数字序列表示,并作为电磁仿真的输入得到材料热辐射特性。即将材料的结构用形如“0”或“1”的数字序列表示,并作为电磁仿真(包括严格耦合分析、时域有限差分等)的输入以得到精确的材料热辐射特性。
标准确定步骤:根据设计目标,确定评估标准。即将计算得到的高维热辐射特性数据映射到单个数值,以评估当前热辐射特性与目标热辐射特性的匹配情况,其最大值为1,表示完全匹配目标热辐射特性。
数据集获取步骤:使用传统优化算法或随机搜索进行特性获取步骤和标准确定步骤的迭代循环,筛选后得到数据集。即使用传统优化算法或随机搜索实现上述步骤的迭代循环,得到少量较优的结构-特性数据集或者结构数据集。数据集获取过程中需要计算的结构是通过使用传统优化算法或随机搜索确定的,根据电磁仿真和评价指标计算筛选出较满足目标热辐射特性要求的结构设计。
具体为,一种在4到7微米上的波长选择性窄带热发射器(目标波长分别设置在4.5、5.5和6.5微米)由36层膜结构组成,每层结构有锗(Ge)和二氧化硅(SiO2)两种候选材料。每层结构的候选材料从常用的高折射率半导体和低折射率介质材料中选择,衬底材料则使用不透明的金属钨(W),每一层结构的厚度固定为0.11微米。为了使深度学习神经网络的输入更加直观和通用,我们使用二进制数值来表示每一层结构所选择的材料,如“0”和“1”分别表示选择锗和二氧化硅,即使用36维的二进制向量表示所有可能的多层结构。
在数据获取过程中,采用电磁仿真方法(严格耦合波分析RCWA,Rigorous CoupledWave Analysis)对材料结构对应的光谱响应进行精确计算并求得评价指标。评价指标FOM的具体定义如下:
其中,ε表示每个结构的发射率;Eb表示在给定波长λ和温度T下的光谱辐射密度;λmin和λmax分别表示最小工作波长4微米和最大工作波长7微米;λ1和λ2分别表示窄带的下边界和上边界,即目标波长减/加4纳米;最后一项P代表光谱曲线不平滑时添加的惩罚项,等于0.1×目标波段外的波峰数。根据当前指标,理想热发射器的光谱响应为:目标波长下有一个尖锐的峰且带宽不超4纳米,剩余波长下的光谱响应则期望为0。
将特性获取和评价标准计算结合传统优化算法(如进化算法、贝叶斯优化和随机搜索等)进行小批量较优结构搜索,并将结果用作后续模型训练的数据集。最终,对于目标波长为4.5、5.5和6.5微米的三类目标,分别准备了118、157和136组数据用于深度学习神经网络的训练,其评价指标的范围从0.28到0.81不等。
步骤S2:使用数据集训练对抗自编码器,提取对抗自编码器中的解码器作为生成模型。即使用结构-特性数据集同时训练对抗自编码器中的三部分模型并分别保存,提取训练后对抗自编码器中的解码器作为生成模型。
步骤S2包括如下步骤:数据扩充和网络确定:将数据集进行数据扩充以提高模型训练的鲁棒性,并确定适用于当前问题的对抗自编码器网络架构。即采用抖动和缩放等数据扩充方法进行数据集扩充,并通过多轮测试确定适用的对抗自编码器网络架构。
训练模型步骤:使用数据扩充后的数据集训练最终确定的对抗自编码器,并分块保存对抗自编码器内部的模型。即使用数据扩充后的数据集训练对抗自编码器至模型收敛,随后将对抗自编码器内部的编码器、解码器和判别器分块保存。其中,训练对抗自编码器使用的是筛选出的结构-特性数据集或者结构数据集中的结构设计。
具体为,在训练深度学习神经网络之前,综合考虑数据特定并节省数据集的准备时间,采用抖动和缩放的数据扩充方法将数据扩充至20000组以上。图3是针对当前问题多轮调整后的深度学习神经网络架构图,包括作为编码器、解码器和判别器。编码器用于将36维的结构参数映射到2维空间,两层隐藏层分别含有512、512个神经元。解码器用于将编码器的2维输出恢复至36维结构参数,神经元数目是编码器网络架构的逆序。判别器用于限制2维空间服从预设分布(高斯分布),每层的神经元个数分别为2、512、256、1,最后一个神经元输出真或假的判断。图3中具体的每一列均代表深度学习神经网络中的一层结构,以解码器中的第二列为例,512统一表示当前层具有512个神经元,函数的连接顺序依次为Linear,Batchnorm和LeakRelu。另外,生成模型利用均方误差作为损失函数,判别模型利用二元交叉熵来更新隐藏层的权值。训练过程如图1所示,训练后的解码器可以针对上万个2维输入在几秒钟内完成优质热辐射材料设计的生成,且2维空间的分布符合预先设置的高斯分布。为了后续与电磁仿真和计算评价指标步骤结合,设置阈值为0.5以实现生成模型输出的二值化。
循坏迭代步骤:将训练后的深度学习神经网络模型结合贝叶斯优化对热辐射材料结构设计进行循环迭代,得到最优的热辐射材料结构设计。即将训练得到的生成模型结合贝叶斯优化进行推荐和评估的循环迭代,不断重复直到得到目标要求下的最优结构设计。
循坏迭代步骤包括如下步骤:步骤S3.1:数字序列表示、电磁仿真和评价指标同步骤S1。步骤S3.2:加在步骤S2中保存的对抗自编码器中的解码器作为生成模型,并为输出设置阈值以适配真实材料设计。步骤S3.3:将生成模型的输出连接电磁仿真的输入,电磁仿真的输出连接评价指标计算,计算结果又连接贝叶斯优化的输入,贝叶斯优化的输出连接生成模型的输入构成闭环,重复上述步骤直至设计满足目标或迭代超过最大次数。如图2所示,即使用贝叶斯优化在2维空间中进行搜索,并根据生成模型将2维坐标映射到真实的材料结构设计,最后再结合电磁仿真和评价指标计算反馈给贝叶斯模型,进行推荐和评估的迭代循环直至设计满足目标。
具体为,首先随机选取300个2维坐标输入并根据生成模型得到对应的结构设计作为初始候选结构,计算光谱响应和评价指标输入贝叶斯模型。随后贝叶斯模型将根据先验分布学习黑盒目标函数的后验分布,结合采集函数,贝叶斯模型将在设置的(-10,10)范围内进行下一个2维坐标的推荐并进行验证,重复上述过程便可快速找到高维空间下的目标材料结构设计。最终目标波长分别在4.5(虚线)、5.5(点划线)和6.5(实线)微米时最优结构设计所对应的光谱响应如图4所示,可以发现每类目标下的设计均能满足目标要求。
本发明基于数据驱动的深度学习神经网络方法,在数据集基础上训练的神经网络可以学习到高维热辐射结构与光学响应之间复杂的对应关系,实现对高维空间向低维空间的连续、紧凑映射,同时确保了优质结构的设计前提。利用训练得到模型中的解码器,结合贝叶斯优化进行迭代搜索,最终可以实现目标热辐射特性的逆向结构设计,并保证极高的准确率。
本发明公开了一种基于深度学习神经网络和贝叶斯优化的热辐射材料按需设计方法,该方法针对高维候选空间下的热辐射材料设计,使用对抗自编码器模型学习热辐射材料结构与光谱响应之间的对应关系,并对候选空间的分布进行压缩,随后将贝叶斯优化应用于压缩空间,从而实现全局高效搜索。解决了传统优化算法存在迭代计算耗时、容易陷入局部最优和难应用于具有高自由度的结构体系等问题,及神经网络方法存在数据集准备耗时和损失函数难以收敛的问题。本发明可用于根据光谱逆向按需设计复杂热辐射材料,能极大程度缩短材料研发成本和周期。
本发明为一种热辐射材料优化设计方法,通过采用对抗自编码器和贝叶斯优化相结合的设计框架,将高维候选空间映射为低维、连续且紧凑的空间,再由贝叶斯优化在映射后的空间进行高效搜索,实现高维热辐射材料的按需设计。本发明针对高维候选空间下的热辐射材料设计,使用对抗自编码器模型实现候选空间的压缩,并将贝叶斯优化用于压缩空间以实现全局优化。
本发明实施例还公开了一种基于神经网络和贝叶斯优化的热辐射材料设计***,包括如下模块:模型获取模块:获取并训练深度学习神经网络模型。
模型获取模块包括如下模块:模块M1:针对材料体系和设计目标,进行数据集的准备。模块M1包括如下模块:特性获取模块:将材料的结构用数字序列表示,并作为电磁仿真的输入得到材料热辐射特性。标准确定模块:根据设计目标,确定评估标准。数据集获取模块:使用传统优化算法或随机搜索进行特性获取模块和标准确定模块的迭代循环,筛选后得到数据集。
模块M2:使用数据集训练对抗自编码器,提取对抗自编码器中的解码器作为生成模型。模块M2包括如下模块:网络确定模块:将数据集进行数据扩充,并确定对抗自编码器网络架构。训练模型模块:使用数据扩充后的数据集训练对抗自编码器并分块保存对抗自编码器内部的模型。
循坏迭代模块:将训练后的深度学习神经网络模型结合贝叶斯优化对热辐射材料结构设计进行循环迭代,得到热辐射材料结构设计。将生成模型的输出连接电磁仿真的输入,电磁仿真的输出连接评估标准,评估标准下的计算结果连接贝叶斯优化的输入,贝叶斯优化的输出连接生成模型的输入,循环迭代直至设计满足目标。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于神经网络和贝叶斯优化的热辐射材料设计方法,其特征在于,包括如下步骤:
模型获取步骤:获取并训练深度学习神经网络模型;
循坏迭代步骤:将训练后的深度学习神经网络模型结合贝叶斯优化对热辐射材料结构设计进行循环迭代,得到热辐射材料结构设计。
2.根据权利要求1所述的基于神经网络和贝叶斯优化的热辐射材料设计方法,其特征在于,所述模型获取步骤包括如下步骤:
步骤S1:针对材料体系和设计目标,进行数据集的准备;
步骤S2:使用数据集训练对抗自编码器,提取对抗自编码器中的解码器作为生成模型。
3.根据权利要求2所述的基于神经网络和贝叶斯优化的热辐射材料设计方法,其特征在于,所述步骤S1包括如下步骤:
特性获取步骤:将材料的结构用数字序列表示,并作为电磁仿真的输入得到材料热辐射特性;
标准确定步骤:根据设计目标,确定评估标准;
数据集获取步骤:使用传统优化算法或随机搜索进行特性获取步骤和标准确定步骤的迭代循环,筛选后得到数据集。
4.根据权利要求2所述的基于神经网络和贝叶斯优化的热辐射材料设计方法,其特征在于,所述步骤S2包括如下步骤:
网络确定步骤:将数据集进行数据扩充,并确定对抗自编码器网络架构;
训练模型步骤:使用数据扩充后的数据集训练对抗自编码器并分块保存对抗自编码器内部的模型。
5.根据权利要求3所述的基于神经网络和贝叶斯优化的热辐射材料设计方法,其特征在于,在所述循坏迭代步骤中,将生成模型的输出连接电磁仿真的输入,电磁仿真的输出连接评估标准,评估标准下的计算结果连接贝叶斯优化的输入,贝叶斯优化的输出连接生成模型的输入,循环迭代直至设计满足目标。
6.一种基于神经网络和贝叶斯优化的热辐射材料设计***,其特征在于,包括如下模块:
模型获取模块:获取并训练深度学习神经网络模型;
循坏迭代模块:将训练后的深度学习神经网络模型结合贝叶斯优化对热辐射材料结构设计进行循环迭代,得到热辐射材料结构设计。
7.根据权利要求6所述的基于神经网络和贝叶斯优化的热辐射材料设计***,其特征在于,所述模型获取模块包括如下模块:
模块M1:针对材料体系和设计目标,进行数据集的准备;
模块M2:使用数据集训练对抗自编码器,提取对抗自编码器中的解码器作为生成模型。
8.根据权利要求7所述的基于神经网络和贝叶斯优化的热辐射材料设计***,其特征在于,所述模块M1包括如下模块:
特性获取模块:将材料的结构用数字序列表示,并作为电磁仿真的输入得到材料热辐射特性;
标准确定模块:根据设计目标,确定评估标准;
数据集获取模块:使用传统优化算法或随机搜索进行特性获取模块和标准确定模块的迭代循环,筛选后得到数据集。
9.根据权利要求7所述的基于神经网络和贝叶斯优化的热辐射材料设计***,其特征在于,所述模块M2包括如下模块:
网络确定模块:将数据集进行数据扩充,并确定对抗自编码器网络架构;
训练模型模块:使用数据扩充后的数据集训练对抗自编码器并分块保存对抗自编码器内部的模型。
10.根据权利要求7所述的基于神经网络和贝叶斯优化的热辐射材料设计***,其特征在于,在所述循坏迭代模块中,将生成模型的输出连接电磁仿真的输入,电磁仿真的输出连接评估标准,评估标准下的计算结果连接贝叶斯优化的输入,贝叶斯优化的输出连接生成模型的输入,循环迭代直至设计满足目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210300613.1A CN114664395A (zh) | 2022-03-25 | 2022-03-25 | 基于神经网络和贝叶斯优化的热辐射材料设计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210300613.1A CN114664395A (zh) | 2022-03-25 | 2022-03-25 | 基于神经网络和贝叶斯优化的热辐射材料设计方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114664395A true CN114664395A (zh) | 2022-06-24 |
Family
ID=82032032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210300613.1A Pending CN114664395A (zh) | 2022-03-25 | 2022-03-25 | 基于神经网络和贝叶斯优化的热辐射材料设计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114664395A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITMI971325A0 (zh) * | 1997-06-05 | 1997-06-05 | ||
WO2017117568A1 (en) * | 2015-12-31 | 2017-07-06 | Kla-Tencor Corporation | Accelerated training of a machine learning based model for semiconductor applications |
US20190049540A1 (en) * | 2017-08-10 | 2019-02-14 | Siemens Healthcare Gmbh | Image standardization using generative adversarial networks |
CN110232434A (zh) * | 2019-04-28 | 2019-09-13 | 吉林大学 | 一种基于属性图优化的神经网络架构评估方法 |
CN110322222A (zh) * | 2019-06-28 | 2019-10-11 | 广东石油化工学院 | 一种基于深度学习的异质软件工作量估计方法 |
CN110738242A (zh) * | 2019-09-25 | 2020-01-31 | 清华大学 | 一种深度神经网络的贝叶斯结构学习方法及装置 |
US20200082916A1 (en) * | 2018-09-06 | 2020-03-12 | Insilico Medicine Hong Kong Limited | Entangled conditional adversarial autoencoder for drug discovery |
CN111787323A (zh) * | 2020-05-23 | 2020-10-16 | 清华大学 | 一种基于对抗学习的可变比特率生成式压缩方法 |
CN114170490A (zh) * | 2021-12-02 | 2022-03-11 | 上海交通大学 | 基于自适应数据量化和多面体模板的图像识别方法及*** |
-
2022
- 2022-03-25 CN CN202210300613.1A patent/CN114664395A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITMI971325A0 (zh) * | 1997-06-05 | 1997-06-05 | ||
WO2017117568A1 (en) * | 2015-12-31 | 2017-07-06 | Kla-Tencor Corporation | Accelerated training of a machine learning based model for semiconductor applications |
US20190049540A1 (en) * | 2017-08-10 | 2019-02-14 | Siemens Healthcare Gmbh | Image standardization using generative adversarial networks |
US20200082916A1 (en) * | 2018-09-06 | 2020-03-12 | Insilico Medicine Hong Kong Limited | Entangled conditional adversarial autoencoder for drug discovery |
CN110232434A (zh) * | 2019-04-28 | 2019-09-13 | 吉林大学 | 一种基于属性图优化的神经网络架构评估方法 |
CN110322222A (zh) * | 2019-06-28 | 2019-10-11 | 广东石油化工学院 | 一种基于深度学习的异质软件工作量估计方法 |
CN110738242A (zh) * | 2019-09-25 | 2020-01-31 | 清华大学 | 一种深度神经网络的贝叶斯结构学习方法及装置 |
CN111787323A (zh) * | 2020-05-23 | 2020-10-16 | 清华大学 | 一种基于对抗学习的可变比特率生成式压缩方法 |
CN114170490A (zh) * | 2021-12-02 | 2022-03-11 | 上海交通大学 | 基于自适应数据量化和多面体模板的图像识别方法及*** |
Non-Patent Citations (3)
Title |
---|
JU, SH等: "Designing thermal functional materials by coupling thermal transport calculations and machine learning", JOURNAL OF APPLIED PHYSICS, vol. 128, no. 16, 27 October 2020 (2020-10-27), pages 1 - 16, XP012251137, DOI: 10.1063/5.0017042 * |
KUDYSHEV, ZA等: "Machine-learning-assisted metasurface design for high-efficiency thermal emitter optimization", APPLIED PHYSICS REVIEWS, vol. 7, no. 2, 28 May 2020 (2020-05-28), pages 1 - 10 * |
杨庆: "基于时空图神经网络的路网交通预测", 中国优秀硕士学位论文全文数据库 工程科技II辑, no. 1, 15 January 2022 (2022-01-15), pages 034 - 1539 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108052911B (zh) | 基于深度学习的多模态遥感影像高层特征融合分类方法 | |
CN111612066B (zh) | 基于深度融合的卷积神经网络的遥感图像分类方法 | |
Alet et al. | Graph element networks: adaptive, structured computation and memory | |
Hussain et al. | A deep neural network and classical features based scheme for objects recognition: an application for machine inspection | |
Cheng et al. | Rethinking Bayesian learning for data analysis: The art of prior and inference in sparsity-aware modeling | |
Chua | CNN: A vision of complexity | |
CN111260594A (zh) | 一种无监督的多模态图像融合方法 | |
CN112115998B (zh) | 一种基于对抗增量聚类动态路由网络克服灾难性遗忘的方法 | |
CN113628249A (zh) | 基于跨模态注意力机制与孪生结构的rgbt目标跟踪方法 | |
Abdi et al. | Deep learning decision fusion for the classification of urban remote sensing data | |
CN114493014A (zh) | 多元时间序列预测方法、***及计算机产品、存储介质 | |
Li et al. | Deep learning modeling strategy for material science: from natural materials to metamaterials | |
Bonzanini et al. | Foundations of machine learning for low-temperature plasmas: methods and case studies | |
Malkiel et al. | Machine learning for nanophotonics | |
Feng et al. | Hyperspectral band selection based on ternary weight convolutional neural network | |
Chiu et al. | An evolutionary approach to compact dag neural network optimization | |
CN114329900A (zh) | 一种基于神经网络的器件参数获取方法、***及相关组件 | |
Ghanem et al. | Latent code-based fusion: A volterra neural network approach | |
Xu et al. | JCa2Co: A joint cascade convolution coding network based on fuzzy regional characteristics for infrared and visible image fusion | |
CN111062888B (zh) | 一种基于多目标低秩稀疏及空谱全变分的高光谱影像去噪方法 | |
Msuya et al. | Deep Learning Model Compression Techniques: Advances, Opportunities, and Perspective | |
Zhu et al. | Machine learning aided design and optimization of thermal metamaterials | |
CN114664395A (zh) | 基于神经网络和贝叶斯优化的热辐射材料设计方法及*** | |
Chen et al. | Leveraging neural radiance fields for uncertainty-aware visual localization | |
Tang et al. | HAWIS: Hardware-Aware automated WIdth Search for accurate, energy-efficient and robust binary neural network on ReRAM dot-product engine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |