1 of 19

Глубокое обучение: модель для предсказания профиля электромагнитных полей в многомодовом интегральном волноводе в сочетании с программируемым широкозонным материалом с фазовым переходом

Курс: «Нейронные сети и их применение в научных исследованиях»

22 июня 2023

Докладчик:

Ибрагимов А.А

​

Научный руководитель:

к.ф.-м.н., н.с. Шорохов А.С.

2 of 19

Обработка естественного языка

3 of 19

Искусственные нейронные сети (ИНС) и их применение

4 of 19

Перестраиваемая фотоника

5 of 19

M. Delaney, et al., Sci. Adv., 7 (2021).

Энергонезависимая программируемая фотоника

Управление фазой света с помощью PCM матрицы

Необходимы предварительный численный расчет (часы, дни, недели)

6 of 19

Предсказательные модели

P. Wiecha, Nano letters 20 (2019)

Было продемонстрировано, что нейронная сеть может выдавать результаты на 3-5 порядков быстрее, чем обычное моделирование

7 of 19

Исследование предсказательной модели для расчета профиля электромагнитных полей в многомодовом интегральном волноводе в сочетании с программируемым широкозонным материалом Sb2Se3 с фазовым переходом

Постановка задачи

8 of 19

9 of 19

Примеры данных

10 of 19

Примеры данных

11 of 19

k-fold для подбора модели

lr = 0.01

12 of 19

k-fold для learning rate

Величины в строках mean и std (MSELoss) приводятся с умножением на 103.

13 of 19

k-fold для классических моделей ML

Результаты классических ML алгоритмов. Тренировка и тест проводились с помощью 5-кратной кросс-валидации.

14 of 19

График тренировки итоговой модели

Итоговое значение метрики MSELoss составило 2.7*10−5.

15 of 19

График тренировки итоговой модели

Качественные результаты, полученные с помощью Custom_Model

​

16 of 19

График тренировки итоговой модели

Качественные результаты, полученные с Байесовской гребневой регрессии

​

17 of 19

  • Был собран уникальный датасет, состоящий из 3738 элементов, который был разделен случайным образом в соотношении 80:20 для тренировки и теста. Сбор данных производился на с помощью лабораторного компьютера, работающего на 2 процессоров Intel(R) Xeon(R) Gold 5222, с оперативной памятью 512 гб

​

  • С помощью k-fold перекрестной валидации было установлено, что Custom_Model показывает лучшую производительность по метрике MSELoss

​

  • Рассмотрен ряд классических алгоритмов машинного обучения. Качество их предсказаний оказалось ниже, чем у нейронных сетей, что демонстрирует необходимость использования последних.

​

Итоги

18 of 19

Доступ к данным и коду

Датасет и код для тренировки доступны в репозитории:

https://github.com/alisherblack/mode_prediction

19 of 19

Итоги

Спасибо за внимание!