注意力引导的迁移学习在鲁棒跨频 meta 表面设计中的应用

《Laser & Photonics Reviews》：Attention-Guided Transfer Learning for Robust Cross-Frequency Metasurfaces Design

机器学习驱动的超表面设计通过注意力迁移学习提升跨频段性能，物理信息引导的注意力机制优化知识迁移，实验验证其在5-10GHz频段实现超10%准确率提升和20%数据需求减少。

　　

摘要

近期机器学习的进步已成为一种变革性力量，彻底改变了超表面的设计方式，并加速了在传感、显示、成像和隐身技术中的许多自适应应用的发展。然而，现有的智能设计工具通常仅适用于特定的场景，而相关的迁移学习技术在知识迁移方面缺乏鲁棒性和可解释性。在这里，我们提出了一种基于注意力引导的迁移学习框架，该框架能够实现自适应的跨频率知识迁移，从而实现鲁棒的宽带超表面逆向设计。注意力引导迁移学习的核心是一种基于物理信息的注意力机制，该机制能够评估源频率的知识，并在目标频率下选择性地强调通用知识，同时抑制源特定效应，以确保只有有效的知识被迁移。在5-10 GHz频段内的对比实验表明，与传统方法相比，注意力引导迁移学习使预测准确率提高了10%以上，同时数据需求减少了20%。此外，视觉分析证实了该模型的物理直觉：在低频时，模型的关注点从全局模式转向局部细节，这反映了波长依赖的电磁行为。我们的工作为通过利用选择性知识迁移来增强智能电磁系统的适应性，开辟了新的鲁棒跨场景超表面设计途径。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可向相应的作者提出合理请求后获得。