Yingli Ha 1,2,3†Yu Luo 1,2,3†Mingbo Pu 1,2,3,4,*Fei Zhang 1,2,3[ ... ]Xiangang Luo 1,2,3,4,**
Author Affiliations
Abstract
1 National Key Laboratory of Optical Field Manipulation Science and Technology, Chinese Academy of Sciences, Chengdu 610209, China
2 State Key Laboratory of Optical Technologies on Nano-Fabrication and Micro-Engineering, Institute of Optics and Electronics, Chinese Academy of Sciences, Chengdu 610209, China
3 Research Center on Vector Optical Fields, Institute of Optics and Electronics, Chinese Academy of Sciences, Chengdu 610209, China
4 School of Optoelectronics, University of Chinese Academy of Sciences, Beijing 100049, China
5 Tianfu Xinglong Lake Laboratory, Chengdu 610299, China
Metalenses have gained significant attention and have been widely utilized in optical systems for focusing and imaging, owing to their lightweight, high-integration, and exceptional-flexibility capabilities. Traditional design methods neglect the coupling effect between adjacent meta-atoms, thus harming the practical performance of meta-devices. The existing physical/data-driven optimization algorithms can solve the above problems, but bring significant time costs or require a large number of data-sets. Here, we propose a physics-data-driven method employing an “intelligent optimizer” that enables us to adaptively modify the sizes of the meta-atom according to the sizes of its surrounding ones. The implementation of such a scheme effectively mitigates the undesired impact of local lattice coupling, and the proposed network model works well on thousands of data-sets with a validation loss of 3×10?3. Based on the “intelligent optimizer”, a 1-cm-diameter metalens is designed within 3 hours, and the experimental results show that the 1-mm-diameter metalens has a relative focusing efficiency of 93.4% (compared to the ideal focusing efficiency) and a Strehl ratio of 0.94. Compared to previous inverse design method, our method significantly boosts designing efficiency with five orders of magnitude reduction in time. More generally, it may set a new paradigm for devising large-aperture meta-devices.
intelligence method physics-data-driven method inverse design large-aperture metalenses Opto-Electronic Advances
2023, 6(11): 230133
西安工业大学光电工程学院，陕西 西安 710021
光度立体三维（3D）重建是机器视觉和光度学领域中研究的热点问题，由于设备简单、成本低廉、分辨率高，得到广泛的应用。近年来，伴随着人工智能与深度学习技术的蓬勃发展，光度立体技术的发展进入一个崭新的时代。对深度学习技术在光度立体3D重建中的研究进展进行综述。首先，介绍光度学3D重建的研究背景和基本原理；其次，对光度立体3D重建方法的类型进行概述；接着，简要介绍常用的合成与实际拍摄数据集；然后，详细阐述深度学习技术在光度立体3D重建中的应用，它将基于物理模型的光度立体技术变为一种“数据驱动”下的技术，从而实现较高的预测精度；最后，进行分析与总结，并指出深度学习技术在光度立体领域所面临的挑战以及未来的研究趋势。
光度立体 三维重建 光度学 人工智能 深度学习 数据驱动 激光与光电子学进展
2023, 60(8): 0811011
1 中国科学院上海硅酸盐研究所无机功能材料与器件重点实验室, 上海 201899
2 中国科学院大学材料科学与光电工程中心, 北京 100049
机器学习等数据驱动方法能够快速发掘数据之间潜在的统计相关性, 实现目标量的高效精准预测, 并辅助分析数据背后的物理图像, 已被广泛应用于材料性能预测和器件设计的研究之中。近年来, 机器学习模型研究在微波介质陶瓷材料及器件开发中也取得了系列进展。本文介绍了机器学习方法的基本原理和过程, 重点总结了微波介质陶瓷的介电常数、品质因数等关键性能的机器学习预测模型研究的最新进展, 探讨了材料成分、结构、工艺等参数与微波介电性能之间的关系, 并概述了机器学习方法在微波天线和滤波器的尺寸优化、失效分析等方面的应用。最后, 指出了数据驱动研究在微波介质陶瓷材料及器件领域的若干发展方向。
数据驱动范式 机器学习 微波介质陶瓷 介电性能 微波器件 data-driven paradigm machine learning microwave dielectric ceramics dielectric properties microwave devices
1 新疆大学, 乌鲁木齐 830000
2 大连理工大学,辽宁 大连 116000
针对非均匀采样非线性系统存在外界扰动造成难以控制的问题, 利用数据驱动策略, 提出了无模型自适应准滑模控制算法。首先, 将系统动态线性化过程中的伪雅可比矩阵参数估计误差视为一种外界扰动; 其次, 利用滑模控制的方法对该动态线性化模型进行控制器设计。该算法特点是: 结合了滑模控制固有的特性来减小外界扰动对系统控制作用的影响, 有效地提高了控制效果。最后, 对该控制算法的稳定性也进行了分析, 通过一个非均匀采样非线性系统的仿真实验验证了所提算法的有效性。
滑模控制 数据驱动策略 稳定性 参数估计 非均匀采样 sliding mode control data driven strategy stability parameter estimation non-uniform sampling
1 国家电网公司电力线通信应用技术实验室 北京智芯微电子科技有限公司，北京 102200
2 北京电科智芯科技有限公司，北京 100192
3 吉林大学仪器与电气工程学院，吉林 长春 130026
4 东北电力大学 电气工程学院，吉林 吉林 132012
5 吉林工程技术师范学院 量子信息技术交叉学科研究院，吉林 长春 130052
随着智能电网的快速发展，用于监视电网运行状况的测量设备大规模投入，其产生的海量运行图像等监视数据由于规模大、维度高、数据冗余等问题难以得到有效利用。为了进一步提高电力大数据的分析应用能力，文中提出一种基于深度学习的电网运行图像数据压缩方法，考虑电网图像监视数据在时序上的耦合关联，通过卷积神经网络对电网运行图像数据进行压缩，有效减少了电网运行图像数据的冗余度。与其他方法相比，基于卷积神经网络的图像数据压缩模型不依赖于人工的数据特征提取和工程经验，可以直接以电网中采集到的原始图像数据的灰度函数作为模型的输入，将数据的特征提取和分类合二为一，实现电网运行图像数据的高效、便捷压缩。通过仿真进行了文中所提方法有效性的验证，结果表明，与其他神经网络相比，所提方法在电网图像压缩效率及压缩精度中具有较强优势。
智能电网 深度学习 数据驱动 卷积神经网络 图像压缩 smart grid deep learning data-driven convolutional neural network image compression 红外与激光工程
2022, 51(12): 20220097
1 新疆大学, 乌鲁木齐 830000
2 大连理工大学,辽宁 大连 116000
针对输入非均匀刷新和输出周期性采样的非线性系统难以控制的问题, 采用数据驱动策略, 提出一种新的无模型自适应控制方法。首先,使用跟踪-微分器对系统输出数据进行滤波, 进而利用该输入输出数据在等价动态平衡点处建立动态化模型, 设计了无模型自适应控制器; 其次, 利用最速下降法对控制律和伪雅可比矩阵(PJM)估计中的惩罚系数进行迭代优化, 并对该控制方法稳定性进行分析,该控制方法的优点是减少扰动误差的影响, 提高了参数优化能力;最后, 通过仿真非均匀采样离散时间非线性系统的实例验证了所提方法的有效性。
非均匀采样系统 自适应控制 建模 数据驱动 伪雅可比矩阵(PJM) non-uniform sampling system adaptive control modeling data-driven Pseudo Jacobian Matrix (PJM)
随着电力计量设备向智能化方向发展, 系统中电子元器件的数量和种类不断增加, 而电子元器件又是系统中的关键部件, 决定着系统的精度与可靠性, 因此对元器件的筛选成为电力计量系统来料检验的重要质量管控过程。文章基于原有元器件检测标准的相关测试数据, 并结合统计分析方法, 对电子元器件潜在质量能力进行有效划分, 达到电力计量系统电子元器件的优中择优, 进而保障电子计量设备的长期可靠性。基于对电池钝化特性测试数据的分析, 提出一种对一次性锂-亚硫酰氯电池进行快速筛选的方法。
数据驱动 电子元器件 可靠性 筛选 data driven electronic component reliability screening
1 中国科学院国家天文台南京天文光学技术研究所，江苏 南京 210042
2 中国科学院天文光学技术重点实验室（南京天文光学技术研究所），江苏 南京 210042
3 中国科学院大学，北京 100049
在极端环境下光学红外望远镜伺服系统建模的实际工作过程中，实测的望远镜状态数据经常包含有各种噪声。为了减小噪声对模型辨识精度的影响，提出了一种基于带有控制的非线性动力学稀疏辨识（Spark Identification of Nonlinear Dynamics with Control, SINDYc）算法的稀疏辨识方法。针对望远镜伺服系统，对SINDYc算法进行了理论分析和数值模拟，对比了在不同的噪声水平下，望远镜伺服系统预测模型的状态变量曲线，并拟合了不同噪声水平下辨识模型的决定系数曲线。基于南极望远镜实验平台，设计了正弦和方波信号作为激励信号进行模型辨识实验，对SINDYc算法的建模准确性进行了实验验证。数值模拟模型的预测输出结果显示：SINDYc算法在20%噪声水平以下时，模型辨识精度在0.99以上；在10%噪声水平以下时，状态变化跟随最大偏差值在信号幅值的5%以内。辨识实验数据表明，在两种不同信号激励下望远镜伺服系统模型预测的辨识精度分别为0.9857与0.9952，证实了基于SINDYc算法的稀疏辨识方法的有效性和准确性。该方法辨识出的系统模型可以为未来的南极大口径光学红外望远镜控制系统的分析及控制器设计提供很好的分析模型。
光学红外望远镜 模型预测 稀疏辨识 极端环境 数据驱动 optical infrared telescope model prediction sparse identification extreme environment data-driven 红外与激光工程
2021, 50(12): 20210209
