嵌入驱动的物理信息神经网络用于跨材料光学常数预测

《RSC Advances》:Embedding-driven physics informed neural network for predicting optical constants across materials

【字体: 大 中 小 】 时间:2026年05月16日 来源:RSC Advances 4.6

编辑推荐:

  研究人员提出了一种深度学习框架,用于预测材料的光学常数,具体为折射率n(λ)与消光系数k(λ)随波长的变化关系。该模型利用可学习嵌入层将材料特异性信息编码至低维隐空间,这种嵌入驱动的架构仅需离散材料标识符与归一化波长作为输入,即可建模波长依赖的光学行为。研究人

  
研究人员提出了一种深度学习框架,用于预测材料的光学常数,具体为折射率n(λ)与消光系数k(λ)随波长的变化关系。该模型利用可学习嵌入层将材料特异性信息编码至低维隐空间,这种嵌入驱动的架构仅需离散材料标识符与归一化波长作为输入,即可建模波长依赖的光学行为。研究人员进一步开发了物理信息扩展版本,引入基于垂直入射菲涅尔方程的可微分反射率损失,可在训练中可选施加物理约束。通过系统的消融研究,研究人员发现该反射率项对预测精度影响极小,表明仅通过学习到的嵌入已足以捕捉关键的色散特征。所提框架在大多数材料类别中均表现出较强的预测性能,但在结构多样的氧化物材料上精度相对较低。总体而言,该框架具备可扩展性,并可集成到光学仿真、高通量材料筛选及逆向设计工作流中。
研究背景方面,精确获取材料在宽光谱范围内的光学常数——折射率n(λ)与消光系数k(λ),是光子、光电子及能量转换系统设计分析的基础。传统测量方法如光谱椭偏仪与光学反射仪虽准确可靠,但依赖昂贵仪器、复杂对准流程与后期处理,难以满足高通量材料筛选与快速评估需求,且在非均匀薄膜、纳米结构等样品中存在局限。现有机器学习方法常依赖人工特征工程,限制了在新材料上的泛化能力。为此,研究人员提出了一种嵌入驱动的物理信息神经网络框架,仅需波长、材料标识符与类别标识符三类输入即可实现高精度预测,并在物理一致性方面进行了优化。
关键技术方法方面,研究人员使用RefractiveIndex.info数据库的实验测量数据,经清洗后保留约48.5万条样本,涵盖147种材料与6个类别。材料标识符与类别标识符分别映射为12维与8维可学习嵌入向量,与归一化波长拼接后输入三层全连接网络,分别输出n(λ)与k(λ)。训练采用Adam优化器,最大100轮次并引入早停策略。物理信息扩展通过在损失函数中加入基于菲涅尔方程的反射率约束,并使用自适应权重调度平衡数据拟合与物理一致性。
研究结果方面,在引言部分,研究人员阐述了光学常数在光子器件中的关键作用,指出传统表征方法的瓶颈,并说明嵌入方法与物理约束结合的动机。在数据集概述部分,研究人员展示了数据分布特点,指出半导体与氧化物占主导,金属、介电质与氮化物比例较低。在特征准备部分,研究人员强调无需手工特征,仅依靠嵌入向量与波长输入即可获得良好表现。在数据划分策略部分,研究人员采用分层采样确保训练集与测试集中材料类别均衡。在模型架构部分,研究人员描述了三输入拼接结构、嵌入层设计、特征提取器与双输出头,以及由均方误差与反射率正则项组成的损失函数。在训练协议部分,研究人员说明了软硬件环境与超参数设置。在模型评估部分,研究人员使用MAE、MSE与决定系数R2作为评价指标,并通过t-SNE可视化嵌入空间,发现材料在二维投影中按类别形成物理意义明确的聚类。在结果讨论部分,研究人员首先比较了XGBoost与嵌入驱动多层感知机(MLP)的性能,发现MLP在n(λ)与k(λ)的预测上均优于XGBoost,RMSE分别降低至0.84与1.50,R2均超过0.98。随后,研究人员分析了固定反射率权重βrefl的影响,发现过大的权重会降低预测精度,βrefl=30为精度开始下降的临界点。在此基础上,研究人员引入自适应βrefl调度策略,从0逐步提升至30,显著提升了预测性能,n(λ)的MAE降低72%,RMSE降低45%,k(λ)的MAE与RMSE亦有所下降,同时保留了物理一致性。在跨材料类别分析中,除结构多样的氧化物因多态性导致精度下降外,其余类别均表现稳定。研究人员还将模型与已有回归方法进行比较,指出本框架无需手工特征且适用范围更广。
讨论与结论方面,研究人员认为嵌入驱动的物理信息神经网络能够以极少输入实现跨材料光学常数预测,自适应物理约束策略有效兼顾了精度与物理合理性。该框架在高通量材料筛选与光学设计中具有潜在应用价值,但氧化物等复杂体系的建模仍需进一步优化。论文发表于《RSC Advances》。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号