Framework di Deep Learning Migliora la Previsione Spettrale per Metasuperfici Basate su MXene

È stato sviluppato un nuovo framework di deep learning per migliorare e accelerare la previsione degli spettri elettromagnetici per assorbitori solari basati su MXene, un processo tipicamente dispendioso in termini di risorse e gestito da risolutori a onda piena. Al centro di questo studio ci sono gli MXene, un gruppo di carburi e nitruri di metalli di transizione bidimensionali. La nuova architettura incorpora tecniche di transfer learning, raffinamento spettrale multi-canale e smoothing Savitzky-Golay. Utilizza una versione fine-tuned del modello preaddestrato MobileNet 2 per prevedere spettri di assorbimento a 102 punti da progetti di metasuperfici 64x64. Il raffinamento spettrale multi-canale migliora l'estrazione delle caratteristiche elaborando le mappe delle caratteristiche attraverso vari canali convoluzionali, mentre lo smoothing Savitzky-Golay riduce il rumore ad alta frequenza. I risultati sperimentali mostrano che questo modello supera significativamente le configurazioni di base. Questa ricerca è disponibile su arXiv con l'identificatore 2602.08406, classificata come replace-cross, e potrebbe influenzare la progettazione e l'ottimizzazione di assorbitori solari e altri dispositivi fotonici, riducendo potenzialmente i costi computazionali e facilitando una prototipazione più rapida.