Confinement-loss prediction in photonic crystal fiber SPR sensors: kernel surrogates versus generative data augmentation
Diese Arbeit zeigt, dass für die Vorhersage des Confinement-Verlusts in photonischen Kristallfaser-SPR-Sensoren Bayes-optimierte Kernel-Surrogatmodelle, die auf begrenzten realen Simulationsdaten trainiert wurden, die durch Generative Adversarial Networks augmentierten Datensätze verwendenden tiefen Netzwerke signifikant übertreffen und effizienter sind, welche die Modellgenauigkeit verschlechtern und die Rechenkosten erhöhen.