Deep learning-based prediction of structural parameters in FDTD-simulated plasmonic nanostructures

Shahed Jahidul Haque; Arman Mohammad Nakib

doi:10.35784/iapgos.7300

PDF (angielski)

Opublikowane: 2025-12-20

DOI: https://doi.org/10.35784/iapgos.7300

Numer Tom 15 Nr 4 (2025)

Sterowanie lewitacją magnetyczną za pomocą regulatora PID z adaptacją opartą na liniowej interpolacji i algorytmie genetycznym
Dominik Fila, Andrzej Neumann, Bartosz Olesik, Jakub Pawelec, Kamil Przybylak, Mateusz Ungier, Dawid Wajnert

5-9
Opracowanie systemu prognozowania awarii maszyn pakujących
Nataliia Huliieva, Nataliia Lishchyna, Viktoriya Pasternak, Zemfira Huliieva

10-13
Opracowanie i weryfikacja modułowej, obiektowo zorientowanej architektury kontrolera logiki rozmytej dla konfigurowalnych i wbudowanych aplikacji
Rahim Mammadzada

14-24
Energia pękania mechanicznego i właściwości strukturalno-mechaniczne przekąsek mięsnych z dodatkiem produktów pszczelich
Artem Antoniv, Igor Palamarchuk, Leonora Adamchuk, Marija Zheplinska

25-31
Modelowanie procesów dynamicznych w układzie nieholonomicznym w postaci równania Gibbsa-Appella na przykładzie młyna kulowego
Volodymyr Shatokhin, Yaroslav Ivanchuk, Vitaly Liman, Sergii Komar, Oleksii Kozlovskyi

32-38
Diagnostyka Covid-19 w czasie rzeczywistym na wbudowanych platformach IoT
Elmehdi Benmalek, Wajih Rhalem, Atman Jbari, Abdelilah Jilbab, Jamal Elmhamdi

39-45
Hybrydowe modele do diagnozy choroby Parkinsona na podstawie pisma ręcznego
Asma Ouabd, Achraf Benba, Abdelilah Jilbab, Ahmed Hammouch

46-50
System komputerowy do diagnostyki i terapii pomijania stronnego
Krzysztof Strzecha, Agata Bukalska-Strzecha, Krzysztof Kurzdym, Dominik Sankowski

51-55
Informatyka i pomiary w opiece zdrowotnej: głębokie uczenie się w celu przewidywania ponownych hospitalizacji pacjentów z cukrzycą
Shiva Saffari, Mahdi Bahaghighat

56-64
Optymalizacja dokładności nieinwazyjnego monitorowania poziomu glukozy za pomocą czujnika optycznego
Nurzhigit Smailov, Aliya Zilgarayeva, Sergii Pavlov, Balzhan Turusbekova, Akezhan Sabibolda

65-70
Stochastyczna wielocelowa optymalizacja minimaksowa połączonego ekranu elektromagnetycznego w oparciu o trójwymiarowe modelowanie pola magnetycznego napowietrznych linii elektroenergetycznych
Borys Kuznetsov, Tatyana Nikitina, Alexander Kutsenko, Ihor Bovdui, Kostiantyn Czunikhin, Olena Voloshko, Roman Voliansky, Viktoriia Ivannikova

71-75
Zaawansowane strategie zarządzania energią dla mikrosieci AC/DC
Zouhir Boumous, Samira Boumous, Tawfik Thelaidjia

76-82
Eksperymentalne badanie układu przekształtnika wielostopniowego
Kyrmyzy Taissariyeva, Kuanysh Muslimov, Yerlan Tashtay, Gulim Jobalayeva, Lyazzat Ilipbayeva, Ingkar Issakozhayeva, Akezhan Sabibolda

83-86
Prognozowanie parametrów strukturalnych w nanostrukturach plazmonicznych symulowanych metodą FDTD z wykorzystaniem uczenia głębokiego
Shahed Jahidul Haque, Arman Mohammad Nakib

87-94
Opracowanie algorytmu obliczania procesów wymiany jonowej z użyciem ekosystemu Python
Iryna Chub, Oleksii Proskurnia, Kateryna Demchenko, Oleksandr Miroshnyk, Taras Shchur, Serhii Halko

95-99
Inteligentny model sterowania niezawodnością i bezpieczeństwem w systemach transportu miejskiego
Anastasiia Kashkanova, Alexander Rotshtein, Andrii Kashkanov, Denis Katelnikov

100-107
Analiza interakcji elementów modułowego systemu przechowywania paczek z wykorzystaniem diagramów UML
Lyudmila Samchuk, Yuliia Povstiana, Anastasia Hryshchuk

108-116
Ocena zmodyfikowanych heurystyk wstawiania par w celu wystarczającego rozwiązania problemu transportu na żądanie w logistyce opieki zdrowotnej
Rodolfo Eleazar Pérez Loaiza, Aaron Guerrero-Campanur, Edmundo Bonilla Huerta

117-123
Analiza nowoczesnych narzędzi, metod audytu i monitorowania bezpieczeństwa baz danych
Kateryna Mykhailyshyn, Oleh Harasymchuk, Oleh Deineka, Yurii Dreis, Volodymyr Shulha, Yuriy Pepa

124-129
Poprawa jakości obrazów podwodnych poprzez połączenie metody Deep‑Retinex i sieci GAN
Anuradha Chinta, Bharath Kumar Surla, Chaitanya Kodali

130-136
Matematyczna metoda oceny stanu cyberbezpieczeństwa usług chmurowych
Yevheniia Ivanchenko, Volodymyr Shulha, Ihor Ivanchenko, Yevhenii Pedchenko, Mari Petrovska

137-141
Ocena wydajności wdrożeń LLM w wybranych usługach kontenerowych opartych na chmurze
Mateusz Stęgierski, Piotr Szpak, Sławomir Przyłucki

142-150
Implementacja cech w języku C# przy użyciu Roslyn Source Generators
Mykhailo Pozur, Viktoria Voitko, Svitlana Bevz, Serhii Burbelo, Olena Kosaruk

151-157
Wpływ dostosowywalnego harmonogramowania orkiestratora na wydajność uczenia maszynowego w urządzeniach brzegowych
Konrad Cłapa, Krzysztof Grudzień, Artur Sierszeń

158-163
Rekonfigurowana architektura CoARX do implementacji funkcji haszującej ARX w mikrokontrolerach systemów IoT o ograniczonych zasobach
Serhii Zabolotnii, Inna Rozlomii, Andrii Yarmilko, Serhii Naumenko

164-169
Integralna ocena jakości wody źródlanej z wykorzystaniem zestawu narzędzi logiki rozmytej
Vyacheslav Repeta, Oleksandra Krykhovets, Yurii Kukura

170-176
Wybrane zagadnienia dotyczące światłowodowych czujników zgięcia
Les Hotra, Jacek Klimek, Ihor Helzhynskyy, Oksana Boyko, Svitlana Kovtun

177-181

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

Authors

Shahed Jahidul Haque

haque019701@gmail.com

Nanjing University of Information Science & Technology

Arman Mohammad Nakib

armannakib35@gmail.com

East China Normal University, School of Life Sciences

https://orcid.org/0009-0006-4986-8806

Abstrakt

W niniejszym artykule opracowano nowe podejście do szacowania kluczowych wymiarów nanocząstek plazmonicznych z wykorzystaniem programu symulacyjnego opartego na metodzie różnic skończonych w dziedzinie czasu (FDTD). Zespół badawczy zastosował modele głębokiego uczenia, takie jak EfficientNetB0, ResNet50 oraz VGG16, w celu szybkiego i precyzyjnego przewidywania parametrów symulacji na podstawie obrazów uzyskanych z symulacji. Stworzony zbiór danych obejmuje obrazy pola dielektrycznego i magnetycznego uzyskane z symulacji FDTD dla reprezentatywnych materiałów: MgF₂, złota (Au) i szkła. Proces przygotowania danych uwzględniał systematyczną zmianę 38 parametrów strukturalnych w celu uzyskania odpowiedniego pokrycia możliwych konfiguracji. Spośród testowanych modeli, VGG16 okazał się najskuteczniejszy, osiągając błąd walidacyjny równy 0,1607. Uzyskane wyniki dowodzą, że techniki głębokiego uczenia mogą skutecznie przyspieszyć projektowanie oraz optymalizacji urządzeń nanofotonicznych. Opracowana metodologia ma potencjał znacznego ograniczenia kosztów obliczeniowych oraz czasu trwania symulacji w procesach inżynierii nanostruktur.

Słowa kluczowe:

plazmoniczne nanostruktury FDTD, prognozowanie parametrów strukturalnych na podstawie obrazu, uczenie głębokie

Bibliografia

[1] Adibnia E. et al.: A deep learning method for empirical spectral prediction and inverse design of all-optical nonlinear plasmonic ring resonator switches. Scientific Reports 14(1), 2024, 5787.

[2] Adibnia E., Ghadrdan M., Mansouri-Birjandi M. A.: Nanophotonic structure inverse design for switching application using deep learning. Scientific Reports 14(1), 2024, 21094.

[3] Baxter J. et al.: Plasmonic colours predicted by deep learning. Scientific reports 9(1), 2019, 8074.

[4] Du Q., Zhang Q., Liu G.: Deep learning: an efficient method for plasmonic design of geometric nanoparticles. Nanotechnology 32(50), 2021, 505607.

[5] He J. et al.: Plasmonic nanoparticle simulations and inverse design using machine learning. Nanoscale 11(37), 2019, 17444–17459.

[6] Jahan T. et al.: Deep learning-driven forward and inverse design of nanophotonic nanohole arrays: streamlining design for tailored optical functionalities and enhancing accessibility. Nanoscale 16(35), 2024, 16641–16651.

[7] Kazemzadeh M.: Deep Learning and Optimised Nanoplasmonic Sensors for Label-free Biomedical Applications (Doctoral dissertation, ResearchSpace@ Auckland). 2022.

[8] Li Y. et al.: Predicting scattering from complex nano-structures via deep learning. IEEE Access 8, 2020, 139983–139993.

[9] Mahadi M. K. et al.: Gated recurrent unit (GRU)-based deep learning method for spectrum estimation and inverse modeling in plasmonic devices. Applied Physics A 130(11), 2024, 784.

[10] Malkiel I. et al.: Plasmonic nanostructure design and characterization via deep learning. Light: Science & Applications 7(1), 2018, 60.

[11] Manzhos S. et al.: Modeling of plasmonic properties of nanostructures for next generation solar cells and beyond. Advances in Physics: X 6(1), 2021, 1908848.

[12] Masson J. F., Biggins J.S., Ringe E.: Machine learning for nanoplasmonics. Nature Nanotechnology 18(2), 2023, 111–123.

[13] Nakib A. M. et al.: Advanced Simulation Datasets for Deep Learning-Based Photonic and Electromagnetic Research using FDTD Methods. International Journal of Engineering and Advanced Technology Studies 12(4), 2024, 1–16.

[14] Persson P.: Inverse Design of Anisotropic Nanostructures using modern Deep Learning methods (Master’s Thesis in Engineering Physics, Umeå University). 2024.

[15] Vahidzadeh E., Shankar K.: Insights into the Machine Learning Predictions of the Optical Response of Plasmon@ Semiconductor Core-Shell Nanocylinders. Photochem 3(1), 2023, 155–170.

[16] Verma S.: Evaluation of Photonic Characteristics of Plasmonic Integrated Metallic Nanoparticles with the help of Artificial Neural Network Parameterisation (Doctoral dissertation, University of London). 2023.

[17] Xu X., Aggarwal D., Shankar K.: Instantaneous property prediction and inverse design of plasmonic nanostructures using machine learning: current applications and future directions. Nanomaterials 12(4), 2022, 633.

[18] Zhang T. et al.: Machine learning and evolutionary algorithm studies of graphene metamaterials for optimized plasmon-induced transparency. Optics Express 28(13), 2020, 18899–18916.

Prognozowanie parametrów strukturalnych w nanostrukturach plazmonicznych symulowanych metodą FDTD z wykorzystaniem uczenia głębokiego. (2025). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 15(4), 87-94. https://doi.org/10.35784/iapgos.7300

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 15 Nr 4 (2025)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja