Гібридна нейромережева модель CNN+TRANSFORMER для прогнозування спектральних властивостей багатошарових структур

Анотація

Актуальність. Прогнозування спектральних характеристик багатошарових матеріалів є ключовим завданням у фотоніці, оптоелектроніці та матеріалознавстві, оскільки точність моделювання визначає ефективність технологічних процесів і якість функціональних покриттів. Класичні чисельні методи, забезпечують надійність розрахунків, але залишаються обчислювально затратними при великій кількості варіацій параметрів. Це зумовлює необхідність застосування гібридних архітектур, що поєднують фізичне моделювання та можливості сучасних нейронних мереж.

Мета. Розробити та дослідити гібридну нейромережеву модель на основі архітектури CNN+Transformer для прогнозування спектральних характеристик багатошарових структур та оцінити її ефективність порівняно з класичними і нейромережевими методами.

Методи дослідження. Для генерації навчальних даних використано TMM у діапазоні 300–800 нм. Для оптимізації спектрального представлення застосовано PCA, що дозволило зменшити кількість спектральних точок при збереженні 98% дисперсії. Нейромережеву модель побудовано як поєднання згорткових шарів для аналізу локальних інтерференційних особливостей та трансформерного блоку для виявлення глобальних залежностей. Навчання здійснювалося з використанням функції втрат, яка враховує точність прогнозу та регуляризаційні складові, а також методів валідації на незалежній тестовій вибірці.

Результати. Розроблена модель забезпечила високу точність прогнозування. Коефіцієнт детермінації становив R²=0.99, а середньоквадратична похибка не перевищувала 4%. Порівняння з альтернативною архітектурою CNN+LSTM продемонструвало перевагу трансформерної архітектури, яка краще відтворює глобальні закономірності у спектрах та характеризується швидшим інференсом. Забезпечено узгодженість прогнозів із TMM-моделюванням, а також стійкість до шумових варіацій експериментальних даних.

Висновки. Розроблена гібридна модель CNN+Transformer підтвердила ефективність для задач прогнозування спектральних характеристик багатошарових структур. Поєднання фізичних методів моделювання з глибинними нейронними мережами забезпечує високу точність, швидкість і здатність до узагальнення. Результати свідчать про перспективність архітектури для розробки швидких інструментів оптичного аналізу та оптимізації структури тонких плівок. Подальші дослідження можуть бути спрямовані на розширення набору навчальних даних, урахування нелінійних ефектів та інтеграцію моделі в автоматизовані системи проектування оптичних матеріалів.