ms-11: بهینه‌سازی کران‌دار با کنترل‌های مستقل
فصل‌های ۵، ۶ و ۱۰. آیا تغییر شش عرض فیزیکی طرح فصل ۵ را بهتر می‌کند؟ مرجعی با حل‌گر مستقیم برای مقایسهٔ بعدی هوش مصنوعی بسازید. جست‌وجو، انتخاب و اعتبارسنجی را جدا کنید.
اجراشده: دو جست‌وجوی بازتولیدپذیر کران‌دار پاول، تاریخچهٔ کامل هدف، پالایش نامزد ثابت، طول موج کنارگذاشته‌شده، چهارده اغتشاش عرض و مقایسهٔ grcwa با پالایش شبکهٔ ماده. بهینگی سراسری، بازده ساخت، FEM/FDTD مستقل یا آزمایش ادعا نمی‌شود.
بهینه‌ساز چه چیزی را تغییر می‌دهد؟¶
فقط شش عرض تیغه تغییر می‌کنند. ارتفاع ۱٫۸، گام ۰٫۶۵ میکرومتر، ضریب حقیقی ثابت، تابش عمودی TE و طول موج ۱٫۵۵ میکرومتر ثابت‌اند. مدل هوا/تیغه/زیرلایه و دو صفحهٔ مرجع همان است. شکل تعاملی دو طرح را نشان می‌دهد؛ دفترچه مقطع واقعی x–z هر دو را کنار هم رسم می‌کند.
بازکردن آزمایشگاه در زبانهٔ تازه · دفترچهٔ اجراشده · بستهٔ کامل منابع
کنترل‌ها نتیجهٔ ذخیره‌شده را نشان می‌دهند؛ بهینه‌ساز در مرورگر اجرا نمی‌شود. نمودار و شکل از پارامتر ثبت‌شده ساخته می‌شوند.
مسئلهٔ طراحی را مشخص کنید¶
توان نسبت به فرودی را به کار ببرید، نه سهم مطلوب از عبور. کران‌ها تیغه و شکاف مثبت را حفظ می‌کنند و قاعدهٔ کارخانه نیستند. از مرجع فصل ۵ و اغتشاش بذر‌دار آن آغاز کنید. هر جست‌وجو حداکثر ۱۰۰۰ ارزیابی در M=32 دارد. بهترین نقطهٔ مجاز ارزیابی‌شده، شامل آغاز، را نگه دارید؛ حتی اگر اجرا در نقطهٔ ضعیف‌تر تمام شود.
این جست‌وجوی موضعی بدون مشتق، مرجع شفاف کم‌بعد است و بهترین‌بودن پاول برای طراحی عمومی را ثابت نمی‌کند. برای کران و توقف به مستندات پاول SciPy مراجعه کنید.
اجرا و ثابت‌کردن نامزد¶
ZIP را کامل استخراج، requirements-labs.txt را در Python 3.12 نصب و notebooks/11-inverse-design.ipynb را از ابتدا اجرا کنید. برای تکرار کنترل منتشرشدهٔ grcwa، requirements-validation.txt را نیز نصب کنید. بدون grcwa، این کنترل صریحاً اجرا‌نشده ثبت می‌شود؛ بهینه‌سازی عادی اجرا می‌شود.
مرجع: هندسهٔ اولیه را در تفکیک جست‌وجو و بررسی اجرا و حتی در صورت عدم بهبود حفظ کنید.
جست‌وجو: هر ارزیابی هدف، بهترین مقدار تاکنون، بذر، بودجه و دلیل توقف را ذخیره کنید.
success=Trueنه بهینگی سراسری و نه بهبود نسبت به آغاز را تضمین می‌کند.انتخاب و تثبیت: بهترین هدف جست‌وجو را انتخاب و پیش از کنترل‌های زیر عرض‌ها را ثبت کنید. اگر کنترل‌ها طرح دیگری را انتخاب کردند، دادهٔ توسعه شده‌اند و موارد اعتبارسنجی تازه لازم دارند.
نتیجهٔ منتخب را به چالش بکشید¶
| کنترل | تغییر | شاهد و محدودیت |
|---|---|---|
| پالایش هارمونیک | M=32, 64, 96, 144, 192 | بازده و دامنهٔ مختلط هدف با هندسه و مرجع ثابت |
| پیاده‌سازی جدا | grcwa در M=48؛ شبکهٔ مادهٔ 4096/8192 خانه‌ای | همهٔ مرتبه‌های بازتاب و عبور؛ همان خانوادهٔ RCWA |
| عملکرد کنارگذاشته‌شده | λ=1.45, 1.50, 1.60, 1.65 µm | مرجع و منتخب؛ خارج از هدف |
| خطای هندسی | همهٔ عرض‌ها یا هر یک جدا با ±۵ نانومتر | چهارده سناریوی قطعی، نه بازده ساخت یا مدل احتمال |
| هویت عددی | کران، شار، کنترل یکنواخت و تقارن آینه‌ای | کشف خطای پیاده‌سازی/تنظیم؛ نه اعتبارسنجی تجربی |
طرح می‌تواند طول موج هدف را بهتر و جای دیگر را بدتر کند. این مصالحه را گزارش کنید. جست‌وجوی اسمی تک‌طول‌موجی، مقاوم یا پهن‌باند نیست. ms-09 تحلیل لازم برای هدف طیفی جدا را فراهم می‌کند.
تحویل و توسعه¶
دو هندسه، هدف/کران، تاریخچهٔ کامل، تعداد واقعی ارزیابی، شروع ضعیف‌تر/ناموفق، مقدار پالایش‌شده، مقایسهٔ کنارگذاشته‌شده و محدودیت را تحویل دهید. سه دفترچه و سپس python scripts/validate_design_studies.py را اجرا کنید؛ --grcwa مقایسهٔ پیاده‌سازی را تکرار می‌کند. ممیزی برای مرجع منتشرشده است، نه پارامتر ویرایش‌شدهٔ دلخواه.
طرح مقایسهٔ هوش مصنوعی: عرض فیزیکی، ماده و هدف یکسان باشد. آزمون جانشین را با هندسهٔ جدا نگه دارید. تولید برچسب آموزش را در بودجهٔ تمام‌موج بشمارید و پیشنهاد نهایی را با پروتکل نامزد ثابت بسنجید. مختصات تشدیدی انتزاعی فصل ۱۰ خودبه‌خود عرض تیغه نیست؛ جانشین هندسه به پاسخ، دادهٔ برچسب‌خوردهٔ هندسی می‌خواهد.
طرح مقاوم/چندطول‌موجی: شرایط آموزش را ابتدا تعریف و هدفشان را بهینه کنید؛ سپس شرایط تازه برای اعتبارسنجی کنار بگذارید. گرادیان الحاقی، توپولوژی، قواعد ساخت واقعی، FEM/FDTD و آزمایش توسعه‌اند.
منابع و پیوندها¶
Pestourie و همکاران بهینه‌سازی با تقریب موضعی و مقایسهٔ ماکسول را بحث می‌کنند. این مثال اصیل و محدود ابرسلول مستقیم، بازتولید قطعه یا شکل آنان نیست. راهنمای منبع و بازاستفاده را رعایت کنید.