Confinement-loss prediction in photonic crystal fiber SPR sensors: kernel surrogates versus generative data augmentation
Dit artikel toont aan dat voor het voorspellen van de confinement loss in fotonische kristalvezel SPR-sensoren, Bayesiaans geoptimaliseerde kernel-surrogaten, getraind op beperkte echte simulatiedata, significant beter presteren en efficiënter zijn dan diepe netwerken die vertrouwen op door generative adversarial networks versterkte datasets, welke de modelnauwkeurigheid verslechteren en de computationele kosten verhogen.