声子晶体(PnCs)是一种由不同弹性材料周期性排列形成的复合材料,具有抑制特定频率范围内弹性波传播的特性,广泛应用于声学、振动控制和热传导调控等领域。
深度学习,提供了一种有效的方法来理解和利用人工材料和结构。这篇评论文章旨在更新声学,力学,物理学,材料科学和深度学习社区关于这一新兴研究方向的最新发展。
声子晶体(PnCs)和超材料(Metamaterials)具有天然材料所不具备的与结构相关的特殊色散特性和动力学特性,成为声波和弹性波操控的潜在候选材料。PnC 和超材料提供的这些有趣的物理现象和不寻常的动态特性使它们成为解决多种振动和噪声相关工程问题的突出且可行的解决方案。
PnC 和声学超材料 (AM) 之间的主要区别:一般来说,这两个术语在文献中可以互换使用。PnC 是一种具有弹性模量/密度对比的周期性结构,其工作原理是布拉格散射物理现象。AM 是一种合成复合结构,由谐振器组成,谐振器与宿主介质耦合,通过波杂交产生亚波长 BG。
其中一些学习算法的创建初衷是计算性地模拟生物学习——即人类大脑中的学习过程是如何发生的。“深度学习”,可以使用一种称为贪婪逐层预训练的方法有效地训练深度神经网络(DNN)。当研究人员能够训练比以前更深的神经网络时,深度学习的普及度越来越高,并且模型架构深度(神经网络中层的数量)的理论意义也被发现。
光子晶体和人工电磁材料(AMs)的概念从根本上受到了光子学和电磁学领域开创性发现的启发。
多层感知器(MLP,作为由多个神经元层组成的前馈网络的最简单形式)的复兴归功于人工神经网络辅助设计的成功。在这种类型的网络中,每一层的神经元都与同一层中的其他神经元相连。因此,有时它也被称为密集神经网络或全连接神经网络。
前馈网络:其中的信息只向前传播,即从输入层通过隐藏层(如果有的话)到输出层,而不形成任何循环或闭环。如多层感知器(MLP)、卷积神经网络(CNN)、循环神经网络(RNN)。
由于超材料的准静态和动态特性取决于结构设计形态而非材料参数,因此通过机器学习和深度学习(DL)方法优化给定目标的特定参数非常方便。多层感知器(MLP)模型可以建立这些参数/变量之间的关系,以在计算上更高效的方式实现所需的输出。
由于超材料的准静态和动态特性取决于结构设计形态而非材料参数,因此使用机器学习和深度学习方法优化给定目标的特定参数十分方便。这种方法非常高效,只需借助一些成熟的仿真工具、易于理解的物理知识和简单的数据生成过程,多层感知机(MLP)模型即可在这些参数/变量之间建立关系,从而以更高的计算效率实现理想的输出。
卷积神经网络CNN是用于设计人工材料的另一种人工神经网络(ANN)。生成的数据被传递到输入层,输入层连接到隐藏层,隐藏层也称为卷积层、池化层、全连接层和归一化层。Donda等人将CNN应用于设计超薄声学吸收超表面以实现声音吸收。通过应用卷积过程,从输入超表面数据中提取特征,并将其传递到池化层进行特征选择和过滤。通过重复这个过程,输出样本由全连接层的神经元获得。一般来说,CNN在图像特征提取中非常有用,它可以有效地将场图像映射到输出响应。超表面特征与频率吸收系数相关联,以实现反向设计、优化和性能提升。