Terahertz Metamaterial Absorber Dataset

该数据集包含了9018个样本，这些样本是通过改变补丁宽度、介电厚度和频率的全波模拟生成的。该数据集用于训练和评估机器学习模型，以预测太赫兹超材料吸收体的吸收性能。数据集的创建过程涉及了CST微波工作室的参数模拟，模拟了太赫兹超材料吸收体的设计参数变化，并记录了相应的吸收值。该数据集旨在解决太赫兹超材料吸收体的设计和优化问题，通过机器学习模型快速预测吸收性能，从而加速设计过程。

This dataset consists of 9018 samples, which are generated via full-wave simulations by varying the patch width, dielectric thickness and operating frequency. It is used to train and evaluate machine learning models for predicting the absorption performance of terahertz metamaterial absorbers. The creation of this dataset involves parametric simulations conducted in CST Microwave Studio, where the design parameters of terahertz metamaterial absorbers are adjusted and their corresponding absorption values are recorded. This dataset aims to address the design and optimization issues of terahertz metamaterial absorbers, enabling rapid prediction of absorption performance via machine learning models to accelerate the design process.

原始信息汇总

Metamaterial Absorber Dataset 概述

数据集描述

• 名称: Metamaterial Absorber Dataset
• 类型: 参数化太赫兹超材料吸收器数据集
• 记录数: 9,018
• 文件大小: 216 kB
• 文件格式: CSV

数据集内容

• 列名: p, m, Frequency, Absorptance
• 数据类型:
  • p: int64
  • m: int64
  • Frequency: float64
  • Absorptance: float64
• 缺失值: 无
• 频率范围: 0.0 到 18.0
• 吸收率范围: 约 0.0 到 约 1.0

数据集用途

• 参数分析
• 回归建模
• 吸收器设计优化研究

数据集统计信息

• p 列统计:

  • 11.00 - 11.30: 1,002
  • 11.90 - 12.20: 1,002
  • 12.80 - 13.10: 6,012
  • 13.70 - 14.00: 1,002

• m 列统计:

  • 3.00 - 3.50: 1,002
  • 4.00 - 4.50: 1,002
  • 5.00 - 5.50: 1,002
  • 6.00 - 6.50: 4,008
  • 7.00 - 7.50: 1,002
  • 7.50 - 8.00: 1,002

• Frequency 列统计:

  • 0.00 - 1.80: 909
  • 1.80 - 3.60: 900
  • 3.60 - 5.40: 900
  • 5.40 - 7.20: 900
  • 7.20 - 9.00: 900
  • 9.00 - 10.80: 900
  • 10.80 - 12.60: 900
  • 12.60 - 14.40: 900
  • 14.40 - 16.20: 900
  • 16.20 - 18.00: 909

• Absorptance 列统计:

  • -0.00 - 0.10: 2,303
  • 0.10 - 0.20: 603
  • 0.20 - 0.30: 445
  • 0.30 - 0.40: 394
  • 0.40 - 0.50: 367
  • 0.50 - 0.60: 383
  • 0.60 - 0.70: 688
  • 0.70 - 0.80: 499
  • 0.80 - 0.90: 998
  • 0.90 - 1.00: 2,338

数据集元数据

• 许可证: MIT
• 更新频率: 每年
• 标签: Earth and Nature, Tabular, Artificial Intelligence, Regression, Physics
• 可用性评分: 10.00

搜集汇总

数据集介绍

构建方式

该数据集的构建基于全波电磁仿真技术，通过调整超材料吸收体的关键几何参数（如贴片宽度a、介质厚度h）及工作频率f，系统性地生成了9,018组数据样本。采用CST Microwave Studio进行参数化扫描，确保数据覆盖5.72-11.11THz宽带吸收范围，并记录对应的吸收率作为目标变量。仿真过程严格遵循周期性边界条件与完美匹配层设置，通过S参数计算吸收率公式A(ω)=1−|S11(ω)|²验证数据物理合理性。

特点

数据集核心特征体现在三方面：其一，参数空间覆盖11-14μm贴片宽度、3-8μm介质厚度及0-18THz频段，构成高维非线性映射关系；其二，吸收率数据呈现98.15%平均吸收强度与5.38THz超宽带特性，包含VO2相变材料带来的电磁响应突变特征；其三，仿真数据具有低噪声、高连续性特点，适合机器学习模型捕捉几何参数与电磁性能的复杂关联。数据分布均匀性通过参数等间隔采样保证，为模型泛化提供坚实基础。

使用方法

该数据集适用于监督学习任务，输入特征为(a,h,f)三维向量，输出目标为0-1归一化吸收率。建议采用70%-30%比例划分训练测试集，优先选用Bagging、随机森林等集成方法建模。使用时应通过调整R²、MAE等指标验证模型物理一致性，特别注意高频段吸收率突变的预测精度。对于逆向设计任务，可结合生成对抗网络构建参数-性能双向映射。数据集兼容主流机器学习框架，支持快速原型设计替代传统耗时仿真。

背景与挑战

背景概述

Terahertz Metamaterial Absorber Dataset由Nafisa Anjum和Robiul Hasan于2025年创建，旨在解决太赫兹超材料吸收器性能预测的复杂性问题。该数据集基于钒二氧化物（VO2）的超宽带太赫兹超材料吸收器设计，通过全波仿真生成了9,018个样本，涵盖了不同几何参数和频率下的吸收特性。该研究由孟加拉国拉杰沙希工程技术大学电气与电子工程系主导，其核心研究问题是通过机器学习模型快速预测吸收器的吸收性能，从而减少传统全波仿真的计算负担。这一数据集为太赫兹技术中的通信、成像和传感应用提供了高效的设计工具，推动了超材料研究领域的数据驱动方法发展。

当前挑战

Terahertz Metamaterial Absorber Dataset面临的挑战主要包括两方面：领域问题挑战和构建过程挑战。在领域问题方面，太赫兹超材料吸收器的设计涉及复杂的非线性电磁响应，传统方法依赖耗时的全波仿真，难以快速探索广阔的设计空间。构建过程中的挑战包括：1）高维参数空间的采样效率问题，需平衡仿真精度与计算成本；2）VO2相变材料的电磁特性建模复杂度，其介电常数随频率和温度剧烈变化；3）多物理场耦合效应的数据表征难度，如几何参数与吸收带宽的非线性关系。此外，数据集的泛化能力受限于单一吸收器结构，需扩展至多样化设计以提升机器学习模型的适用性。

常用场景

经典使用场景

Terahertz Metamaterial Absorber Dataset在太赫兹超材料吸收器的设计与优化中扮演了关键角色。该数据集通过全波电磁仿真生成了9,018个样本，涵盖了不同几何参数（如贴片宽度、介质厚度）和频率下的吸收率数据。研究人员利用这一数据集训练了多种机器学习回归模型，包括线性回归、支持向量回归、决策树、随机森林、XGBoost和Bagging等，以预测超材料吸收器的吸收性能。其中，Bagging回归器表现最佳，调整R²高达0.9985，RMSE低至0.0146。这一数据集为快速评估和优化超材料吸收器提供了高效的计算替代方案，显著减少了传统全波仿真所需的时间和资源。

衍生相关工作

该数据集衍生了一系列经典研究工作。例如，Jain等人（2023）比较了多种回归算法在微波波段超材料吸收器中的应用，验证了集成方法的优越性。Hou等人（2020）则利用类似数据集开发了基于深度学习的逆向设计方法，实现了吸收器结构的自动生成。此外，Shahsavaripour等人（2025）基于该数据集提出了具有偏振和角度不敏感性的宽带电磁吸收器设计。这些工作不仅扩展了数据集的应用范围，也为超材料研究提供了新的思路和方法。数据集的开源性进一步促进了相关领域的合作与创新。

数据集最近研究

最新研究方向

近年来，太赫兹超材料吸收体数据集在机器学习辅助设计领域取得了显著进展。该数据集通过全波电磁仿真生成，包含9018个样本，涵盖了不同几何参数和频率下的吸收率数据。研究热点集中在利用集成学习方法（如Bagging和随机森林）建立高精度预测模型，以替代传统耗时的参数扫描和优化过程。最新研究表明，Bagging回归器在该数据集上实现了0.9985的调整R²和0.0146的RMSE，展现出优异的非线性映射能力。这一进展为太赫兹通信、成像和安全检测等应用提供了高效的设计工具，同时也推动了可调谐超材料逆向设计方法的发展。

相关研究论文

• Performance Benchmarking of Machine Learning Models for Terahertz Metamaterial Absorber Prediction

  孟加拉国拉杰沙希工程技术大学电气与电子工程系 · 2025年