Optimizing Spectral Prediction in MXene-Based Metasurfaces Through Multi-Channel Spectral Refinement and Savitzky-Golay Smoothing

MXeneベースの太陽吸収体を使用した電磁スペクトラム予測の最適化は、伝統的に全波スライダを使用して計算に時間がかかる重要なタスクです。この研究ではマルチチャンネルスペクトラ修復(MCSR)とSavitzky-Golayフィルタリングを統合した深層学習フレームワークを導入し、スペクトル予測の効率と正確性を向上させます。提案されたアーキテクチャは、細調処理されただけの事前トレーニングされたMobileNetV2を使用しますがMXeneベースの102点吸収スペクトラから$64 imes64$メタ表面デザインを予測。マルチチャンネルコンvoluçãoのモジュールは、特徴マップ処理により特性抽出を強化し、サンビーターゲットフィラメントは高周波ノイズを軽減します。実験 Evaluations デモンストレーションで、提案モデルが基準モデルを超えてコンピューティング効率の良いCNNやデフォームブルドCNNモデルを上回ることが証明されました。平均誤差RMSE 0.0245、決定係数R² 0.9578、ピークスリノルマ化レート(PNVR)32.98dBです。提案のフレームワークは、メタフォトニック設計プロセスにおけるコンピューティング効率の高い代替案を示し、 conventional ファサデから選択されるための適格候補となります。

arXiv:2602.08406v1 Announce Type: cross Abstract: The prediction of electromagnetic spectra for MXene-based solar absorbers is a computationally intensive task, traditionally addressed using full-wave solvers. This study introduces an efficient deep learning framework incorporating transfer learning, multi-channel spectral refinement (MCSR), and Savitzky-Golay smoothing to accelerate and enhance spectral prediction accuracy. The proposed architecture leverages a pretrained MobileNetV2 model, fine-tuned to predict 102-point absorption spectra from $64\times64$ metasurface designs. Additionally, the MCSR module processes the feature map through multi-channel convolutions, enhancing feature extraction, while Savitzky-Golay smoothing mitigates high-frequency noise. Experimental evaluations demonstrate that the proposed model significantly outperforms baseline Convolutional Neural Network (CNN) and deformable CNN models, achieving an average root mean squared error (RMSE) of 0.0245, coefficient of determination \( R^2 \) of 0.9578, and peak signal-to-noise ratio (PSNR) of 32.98 dB. The proposed framework presents a scalable and computationally efficient alternative to conventional solvers, positioning it as a viable candidate for rapid spectral prediction in nanophotonic design workflows.