SUTD-PRCM

SUTD-PRCM数据集由新加坡科技与设计大学创建，包含约260,000个复杂超表面的样本，这些样本通过电磁模拟生成。数据集中的每个样本包括一个16x16的二进制超表面图像及其相关的频率从2到10 GHz的电磁反射输出。该数据集被用于基准测试深度学习模型，特别适用于超表面的正向预测和逆向设计。通过将超表面图案分为不同类别，数据集支持不同复杂度的电磁响应分析，适用于评估和改进机器学习模型在超表面设计中的应用。The SUTD-PRCM dataset was developed by the Singapore University of Technology and Design, consisting of approximately 260,000 complex metasurface samples generated via electromagnetic simulations. Each sample in the dataset includes a 16×16 binary metasurface image and its corresponding electromagnetic reflection responses over the frequency range of 2 to 10 GHz. This dataset serves as a benchmark for deep learning models, and is specifically tailored for forward prediction and inverse design of metasurfaces. By classifying metasurface patterns into distinct categories, the dataset enables electromagnetic response analysis across varying complexity levels, and is suitable for evaluating and enhancing the application of machine learning models in metasurface design.

搜集汇总

数据集介绍

构建方式

SUTD-PRCM数据集的构建，采用了全波电磁场模拟的方法，利用SUMULIA CST Studio Suite和MATLAB软件，对随机生成的复杂超表面进行电磁场仿真，从而获得了其电磁响应数据。数据集中的每个样本由一个16x16的二值图像输入和一个与频率相关的输出电磁反射组成。输入的二值图像对应于在介电基板上是否存在方形铜片，而输出则包括x和y极化的反射。数据集被分为四个类别：多边形状（PLG）、多边形环（PLR）、图案组合（PTN）和随机（RDN），每个类别代表不同的复杂度级别。

特点

SUTD-PRCM数据集的特点在于其复杂性。数据集包含了约26万个样本，这些样本是通过电磁场仿真获得的，具有不同的电磁响应特性。此外，数据集中的样本被分为四个类别，每个类别都有其独特的特征，这为研究不同复杂度的超表面提供了便利。数据集的构建旨在模拟实际应用中的超表面设计，因此其复杂性对于评估和改进深度学习模型在超表面设计中的应用具有重要意义。

使用方法

SUTD-PRCM数据集可以用于评估和改进深度学习模型在超表面设计中的应用。研究人员可以利用这个数据集来训练和测试不同的深度学习模型，以便找到最优的神经网络结构。此外，数据集的四个类别可以用于研究不同复杂度的超表面设计，从而更好地理解超表面与电磁响应之间的关系。数据集还可以用于解决一些新的分类问题，例如利用神经架构搜索（NAS）方法来寻找更优的神经网络结构。

背景与挑战

背景概述

随着电磁波操控技术的不断进步，超表面（metasurfaces）在众多领域展现出其独特的应用价值，例如热转换、隐身、全息、转换、吸收、散射减少、偏振、传输、颜色、金属透镜和可编程超表面等。SUTD-PRCM数据集正是在这一背景下产生的，由新加坡科技与设计大学（SUTD）的研究人员创建，旨在为复杂超表面的设计与优化提供数据支持。该数据集包含约26万个通过电磁模拟生成的复杂超表面样本，已被用于基准测试深度学习（DL）模型。数据集将超表面图案分为不同的类别，以促进不同复杂程度的分析和利用。SUTD-PRCM数据集的发布，为机器学习社区提供了宝贵的资源，以推动未来DL模型的发展，并促进对复杂超表面设计中的物理关系的深入理解。

当前挑战

SUTD-PRCM数据集的构建和使用面临着多方面的挑战。首先，超表面设计的多样性使得构建一个能够涵盖所有可能设计的数据集变得非常困难。其次，由于超表面设计的复杂性，传统的深度卷积神经网络（DCNN）模型可能无法有效地捕捉其物理特征，导致模型性能不佳。此外，超表面的电磁响应是一个复数，而传统的DL模型通常处理实数数据，因此在处理复数数据时需要进行适当的转换或调整。为了解决这些挑战，研究人员提出了神经架构搜索（NAS）方法，以自动发现更适合SUTD-PRCM数据集的神经网络架构。实验结果表明，NAS方法能够找到更浅层和更宽的网络架构，从而在预测性能上超越了传统的DCNN模型。

常用场景

经典使用场景

SUTD-PRCM数据集主要用于元表面设计中机器学习模型的基准测试和性能评估。该数据集包含了大约26万个由电磁仿真创建的复杂元表面样本，其电磁响应已被用于测试和比较各种深度学习模型，如深度卷积神经网络（DCNN）。通过对元表面图案进行分类，可以研究图案与电磁响应之间的关系，从而更好地理解和优化机器学习模型在元表面设计中的应用。

解决学术问题

SUTD-PRCM数据集解决了元表面设计中缺乏复杂和通用数据集的问题。以往的研究主要集中在具有特定模式或形状的元表面上，而SUTD-PRCM数据集提供了更为丰富和多样化的元表面样本，涵盖了不同复杂程度的元表面图案。这使得研究人员可以更全面地评估和比较不同机器学习模型在元表面设计中的性能，从而推动了元表面设计领域的学术研究。

衍生相关工作

SUTD-PRCM数据集的发布促进了元表面设计中机器学习模型的研究和发展。基于该数据集，研究人员可以进行神经架构搜索（NAS）以找到更适合元表面设计问题的神经网络架构。此外，SUTD-PRCM数据集还可以用于研究复数神经网络在元表面设计中的应用，以及如何将深度学习技术应用于元表面的逆向设计。这些相关工作的开展将进一步推动元表面技术在各个领域的应用和发展。