Исследователи представили архитектуру нейронных сетей с физическими ограничениями (PCNN), предназначенную для ускоренного прогнозирования матриц Джонса в периодических структурах. Метод заменяет ресурсоемкий анализ связанных волн (RCWA), используя закон сохранения энергии как жесткое условие. Это позволяет модели точно предсказывать поведение электромагнитных волн, гарантируя, что результаты всегда лежат на многообразии Штифеля.

Традиционные методы численного моделирования, такие как RCWA, требуют значительных вычислительных мощностей при расчете сложных оптических систем. Новый подход интегрирует фундаментальные физические законы непосредственно в структуру нейросети. Вместо того чтобы полагаться исключительно на обучающие данные, модель принудительно проецирует свои выходы на многообразие Штифеля, что обеспечивает математическую корректность предсказаний даже при ограниченном объеме обучающей выборки.

Применение физических ограничений позволяет значительно сократить время вычислений при сохранении высокой точности, необходимой для проектирования метаповерхностей и других оптических компонентов. Такой подход открывает возможности для быстрой оптимизации параметров структур в реальном времени, что ранее было невозможно из-за высокой стоимости итеративных расчетов.

Ключевые факты

  • Разработана архитектура PCNN для аппроксимации результатов анализа связанных волн (RCWA).
  • В качестве ключевого ограничения используется закон сохранения энергии в безпотерьных слоистых структурах.
  • Математическая корректность обеспечивается проекцией выходных данных на многообразие Штифеля.
  • Метод предназначен для ускоренного расчета матриц Джонса в периодических оптических системах.