KI-Optimierung: Nanostrukturierte Hollow-Core-Fasern mit minimalem Datensatz
Hollow‑Core‑Fasern zeichnen sich durch deutlich geringere Verluste und niedrigere Latenz als herkömmliche Festkern‑Fasern aus. Die komplexe Geometrie von verschachtelten Antiresonanz‑Nodeless‑Fasern (NANFs) macht jedoch…
- Hollow‑Core‑Fasern zeichnen sich durch deutlich geringere Verluste und niedrigere Latenz als herkömmliche Festkern‑Fasern aus.
- Die komplexe Geometrie von verschachtelten Antiresonanz‑Nodeless‑Fasern (NANFs) macht jedoch klassische Optimierungsansätze zu einem rechenintensiven Unterfangen.
- Um diese Herausforderung zu meistern, wurde ein zweistufiges Machine‑Learning‑Framework entwickelt.
Hollow‑Core‑Fasern zeichnen sich durch deutlich geringere Verluste und niedrigere Latenz als herkömmliche Festkern‑Fasern aus. Die komplexe Geometrie von verschachtelten Antiresonanz‑Nodeless‑Fasern (NANFs) macht jedoch klassische Optimierungsansätze zu einem rechenintensiven Unterfangen.
Um diese Herausforderung zu meistern, wurde ein zweistufiges Machine‑Learning‑Framework entwickelt. Zunächst filtert ein neuronales Netzwerk (NN) die Designs nach Ein‑Modus‑Eigenschaften, wobei ein Unterdrückungsratio von mindestens 50 dB vorausgesetzt wird. Anschließend schätzt ein Regressor die Konfinement‑Verluste (CL) voraus. Durch die Verwendung des Logarithmus der Verluste wird die große Dynamikspanne kompensiert.
Mit einem sparsamen Datensatz von lediglich 1 819 Designs, die alle CL‑Werte von mindestens 1 dB/km aufweisen, konnte das Modell neue, optimierte Strukturen mit einem bestätigten CL von 0,25 dB/km identifizieren. Dies beweist, dass das NN die zugrunde liegende Physik erfasst und in Bereiche mit noch geringeren Verlusten extrapolieren kann.
Die Ergebnisse zeigen, dass auch kleine Datensätze stabile und hochpräzise Vorhersagen ermöglichen. Dadurch lässt sich ein Design‑Raum von bis zu 14 Millionen Fällen mit minimalem Rechenaufwand erkunden – ein erheblicher Vorteil gegenüber herkömmlichen Finite‑Element‑Methoden.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.