Зозюк М. О. Згорткова нейромережа для прогнозування коефіцієнту пропускання метаматеріалів в залежності від їх структури. – Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 153 – Мікро- та наносистемна техніка (галузь знань 15 – Автоматизація та приладобудування). – Національний технічний університет України, Київ, 2022.
Робота присвячена розробці методики прогнозування коефіцієнту пропускання метаматеріалів на основі топологічної структури та складу із застосуванням технік глибокого навчання, а саме – математичні нейронні мережі з використанням операцій згортки та допоміжних.
Науково-прикладні дослідження, висвітлені в дисертаційній роботі, зосереджені на практичному дослідженні згорткових нейронних мереж для виконання завдань прогнозування у сферах проєктування, передбачення метаматеріалів з потрібними властивостями.
Проаналізована можливість прогнозування коефіцієнту пропускання на основі інформації про структуру та складу метаматеріалів. Показано, що така можливість існує й описані основні умови, які накладаються на дані про метаматеріали, які потрібні для використання згорткових нейронних мереж при розв’язанні задач з прогнозування інформації про метаматеріали.
Встановлено, що дані збережені в «.ply» форматі, не підходять, як вхідні дані для нейронної мережі. Був використаний програмний пакет Open3D на базі Python, для конвертації початкового формату у формат «.xyzrgb», який становить собою масив, де кожен рядок – це вектор з шести чисел; перші три – це координати, три інших – це RGB числа. Показана можливість використання такого вигляду інформації в процесах згортки та для навчання нейронної мережі. Представлено умови, які накладаються на дані: однорідність даних, що означає, що всі параметри, які впливають на результат прогнозування, мають або бути однаковими, або бути внесені в дані, як інформація про властивості; масштабованість, що означає, що дані мають бути зведені до однакових діапазонів значень та масштабів.
Розроблено алгоритм прогнозування властивостей на основі структури та складу метаматеріалів із використанням згортокової нейронної мережі.
Розроблено алгоритм для збереження інформації про склад метаматеріалів. Показано, що використовуючи інформації про електромагнітні властивості компонентів є можливість передбачувати електромагнітні властивості метаматеріалів. Побудовано в цифровому середовищі 3D об'єкти метаматеріалів із закріпленням за кожним пікселем інформації про компонент. Описано алгоритм збереження цієї інформації у зручному для навчання згорткової нейронної мережі вигляді. Представлено види цифрових форматів, які можуть бути використані для збереження потрібної про метаматеріали інформації. Проаналізовано формат, який використовувався для збереження інформації про 3D об’єкт в цій роботі.
Описано процес представлення властивостей метаматеріалів у зручному для навчання згорткової нейронної мережі вигляді. Два методи було використано для порівняння ефективності обох методів. Показано, що метод з представлення характеристик у вигляді коефіцієнтів полінома є швидшим, але не відповідним для вирішення задач з прогнозування характеристик метаматеріалів.
Проаналізовано інші формати збереження інформації про 3D структури. Досліджено, що такі формати, як «.fbx», «.obj», «.stl», «.3ds» не підходять, через такі причини: відсутність ефективного програмного функціонала (для конвертування в потрібний для нейронної мережі формат); відсутність збереження інформації про додаткові канали інформації; присутність зайвої інформації, яку немає можливості відділити від необхідної.
Розроблено архітектуру згорткової нейронної мережі для прогнозування частотних електромагнітних характеристик на основі структури та складу метаматеріалів. Показані результати прогнозування для обох випадків з представлення коефіцієнту пропускання – у вигляді масиву точок та коефіцієнтів поліному. Проаналізовано результати прогнозування та приведені способи до покращення цих результатів та оптимізації мережі для зменшення часу виконання навчання та збереження ресурсів. Вказано, що збільшення даних є найбільш ефективним методом для покращення результатів прогнозування. Попри це, методи покращення результатів, які засновані на зміні архітектури та зміни гіперпараметрів потрібно постійно оцінювати та використовувати при можливості.
Ключові слова: згорткова нейронна мережа, дизайн метаматеріалів, 3D модель, коефіцієнт пропускання, глибоке навчання, діелектрична проникність, вимірювання параметрів матеріалів, діелектричні матеріали, апроксимаційна модель, експериментально-аналітичний метод, візуалізація інформації, нелінійна модель, інтелектуальне обчислення, комп'ютерне програмування, діелектрики, чисельне моделювання, машинне навчання, математичне моделювання, передбачення.
