讲师中心 微信公众号

工具推荐

视频效率加速
Laper
Laper

剧本策划到成片协作

立刻MV
立刻MV

低成本歌曲 MV、视频生成

剧云
剧云

中文短剧剧本制作平台

SoundView
SoundView

字幕擦除翻译、配音口型同步

提高光学数据集利用率,天大团队提出增强光谱预测效果 AI 模型

阿敏小哥_1166

阿敏小哥_1166

发布时间:2024-05-25 09:13:01

|

1031人浏览过

|

来源于机器之心

转载

提高光学数据集利用率,天大团队提出增强光谱预测效果 AI 模型

编辑 | 枯叶蝶

最近,天津大学激光与光电子研究所吴亮副教授、姚建铨院士团队联合自然语言处理实验室熊德意教授团队报道了一种使用多频率补充输入的深度学习模型来增强光谱预测效果的方案。这种方案通过使用多频率的输入数据,可以提高光谱预测的准确性。此外,该方案还能够减少在光谱预测过程中的噪声干扰,从而提高预测效果。

该方案可以提高现有光学数据集的利用率,在不额外增加训练成本的基础上,增强了与超表面结构对应的光谱响应的预测效果。

相关研究成果以「Enhanced spectrum prediction using deep learning models with multi-frequency supplementary inputs」为题,于 2024 年 5月16 日发表在《APL Machine Learning》。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

提高光学数据集利用率,天大团队提出增强光谱预测效果 AI 模型

论文链接:https://doi.org/10.1063/5.0203931

研究背景

近年来,深度学习技术的快速发展为各个领域带来了前所未有的变革和创新,成为了多门学科处理复杂且庞大的数据的有效工具。

基于神经网络的方法可以有效地检测目标数据的相关特征和潜在模式,但如果深度学习模型直接学习这些来自不同领域、不同格式的相关数据仍存在一定挑战。 为了解决这个问题,可以使用特征提取技术。特征提取技术可以将原始数据转换成适合特定任务的表示形式。可以使用不同的特征提取方法,如基于频域分析的FFT、基于小波变换的WT等。通过应用这些技术,可以将不同领域、

近年来,结合深度学习技术的研究领域普遍临着现有数据集的体量小、质量低等问题,影响了模型对于目标任务的学习效果。

在整个「AI for Science」的研究过程中,耗费成本最高的部分主要是数据集的构建,因此,如何更有效地利用现有数据集至关重要。

天津大学团队经研究证明,在目标频谱预测过程中向现有数据集添加补充的多频输入信息,可以显著提高网络的预测准确率。这种方法为深度学习和光子学、复合材料设计和生物医学等其他领域的跨学科研究和应用提供了新的数据集使用思路。

研究亮点

研究的创新点在于提出了全频率范围的光谱信息拆分思想,表现为结合实际设计需求,将全频率光谱信息按照工作频率部分及非工作频率部分进行学习任务拆分。

为展示该方案的普适性,工作中将目标工作频段细化为低频信息 (0-1 THz)部分和高频信息 (1-2 THz)部分来演示模型学习的增强效果。

与对该工作频率范围数据进行直接预测相比,在补充了其他频率信息后,整体的透射光谱数据预测误差下降了 80% 左右,其中基于 Transformer 的模型在补充低频信息后,预测误差仅为直接预测的 40% 左右,设计的超表面结构和模型架构如图一所示:

提高光学数据集利用率,天大团队提出增强光谱预测效果 AI 模型

图1  (a)-(b) 超表面结构示意图,其中棕色部分代表「1」像素,黄色部分代表「0」像素。(c) CNN、LSTM、GRU 和 Transformer 网络示意图,正向网络中,模型的输入是25*25像素的超表面矩阵,输出是光学响应,而逆向网络则相反。其中图中标注的「H」和「L」分别代表高频和低频的相关振幅和相位数据。

为更直观的展示优化后不同工作频率下振幅及相位参量的预测效果,这里随机选取一些超表面结构在 CST Studio Suite 软件中进行仿真演示,如图二所示:

提高光学数据集利用率,天大团队提出增强光谱预测效果 AI 模型

图2  优化后高频和低频数据的预测效果示意图。(a)-(f) 通过将真实数据(紫色实线)与预测数据(黑色虚线)进行比较,证明优化网络模型在不同频率范围内的不同预测性能。绿色区域表示用作补充输入的频率信息数据,而黄色区域表示用于验证优化预测性能的区域。其中a和b代表x偏振态高频和低频振幅的预测结果。(c)-(d) y偏振态高频和低频振幅的预测结果。(e)-(f) 高频和低频相位的预测结果。

总结与展望

该研究通过对不同光学问题的学习任务进行有针对性的数据集拆分,有效地提高了现有数据集的利用效率,进而提升了深度学习模型的学习效果。

这一优化方案有效缓解了现有光学数据集(特别是太赫兹波段的相关数据集)较少的问题,也为更多结合深度学习技术但数据昂贵的研究领域,如复合材料设计、医学影像分析、金融数据预测等提供了一种对数据集进行优化的新视角。

第一作者:邢效华,任玉琪  指导教师:吴亮,熊德意,姚建铨
论文合作者:邹蝶,张乾坤,毛炳轩
致谢:张霜教授(香港大学)、韩家广教授在论文工作过程中的帮助。相关研究受到国家重点研发计划、国家自然科学基金等项目支持。
通讯员:张乾坤 史森方

热门AI工具

更多
Loomy
Loomy Hot

一款AI工具,主要用于科大讯飞发布的桌面级 AI 助理,比 OpenClaw 更易用、更安全!,适合需要提升相关任务效率的用户。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

立刻MV
立刻MV Hot

立刻MV是一款AI文本写作工具,AI 音乐视频(MV)创作工具。

超级麦吉

一款通过数字员工协作完成调研、数据分析与文档制作的AI办公平台。

Laper
Laper Hot

Laper是专为编剧、导演和制片人推出的 AI 原生剧本创作工具。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

Flowith
Flowith Hot

Flowith是一款基于画布和智能体工作流的 AI 协作工作空间。

咔片AIPPT

一款在线AI演示文稿制作工具,可根据主题和内容需求辅助生成PPT结构与页面,提高演示材料制作效率。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

相关专题

更多
http与https有哪些区别
http与https有哪些区别

http与https的区别:1、协议安全性;2、连接方式;3、证书管理;4、连接状态;5、端口号;6、资源消耗;7、兼容性。本专题为大家提供相关的文章、下载、课程内容,供大家免费下载体验。

5650

2024.08.16

GoFrame框架Web开发与路由中间件
GoFrame框架Web开发与路由中间件

本专题聚焦GoFrame框架的Web开发,拆解路由注册与匹配规则、请求参数获取、参数校验与中间件执行顺序,说明统一响应、JWT鉴权、文件上传与接口文档生成的落地方式,并补充优雅重启与测试实践。

0

2026.11.17

GoFrame框架安装与gf命令行工具
GoFrame框架安装与gf命令行工具

本专题围绕GoFrame框架的安装与工具链配置展开,讲清Go版本要求、gf命令行的安装方式、代理镜像与依赖准备,说明项目初始化、热编译、交叉编译打包的做法,并整理安装阶段的常见报错与验证步骤。

20

2026.11.17

GoFrame框架零基础入门
GoFrame框架零基础入门

本专题整理GoFrame框架的入门知识,从模块化设计理念、环境准备到跑通第一个Web服务,讲清目录分层、配置加载、日志与中间件的用法,并对比Gin、Go-Zero的差异,帮助Go开发者建立整体认知。

0

2026.11.17

SQLAlchemy 一对多关系怎么建立
SQLAlchemy 一对多关系怎么建立

SQLAlchemy 一对多关系怎么建立?本专题整理父子表外键、relationship 双向映射、关联查询、级联删除和加载优化等相关文章,帮助你理解并实现常见的 ORM 关系建模。

0

2026.11.17

SQLAlchemy 如何增删改查
SQLAlchemy 如何增删改查

SQLAlchemy 如何增删改查?本专题整理 ORM 新增记录、条件查询、更新和删除、Session 事务提交与批量处理等实用文章,帮助你掌握 Python 数据库操作流程。

0

2026.11.17

SQLAlchemy ORM 模型怎么写
SQLAlchemy ORM 模型怎么写

SQLAlchemy ORM 模型怎么写?本专题整理模型类定义、Mapped 字段映射、主键与约束、表结构创建和常见报错的相关文章,帮助你从基础配置到实际建模逐步掌握 SQLAlchemy。

0

2026.11.17

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

180

2026.11.12

Go-Zero安装与goctl环境配置教程
Go-Zero安装与goctl环境配置教程

本专题围绕Go-Zero的安装与工具链配置展开,讲清Go版本要求、goctl安装方式、代理镜像、protoc依赖与环境变量设置,说明多版本共存、升级回退与CI流水线安装的做法,并整理安装阶段的常见报错与验证步骤。

120

2026.11.12

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
Valgrind研究论文资料
Valgrind研究论文资料

共0课时 | 0人学习

什么是Subversion (SVN)?
什么是Subversion (SVN)?

共0课时 | 149人学习

Apache Subversion 官方手册
Apache Subversion 官方手册

共0课时 | 0人学习

关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn