Investigating the Reliability of Machine Learning Algorithms for Inverse Design: Polarization Rotator Unit-Cell Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this article, we implement three types of data-driven algorithms for the inverse design of the polarization rotator (PR) unit cell. Toward this end, a novel configuration pattern of the PR unit cell is proposed, which is reshapable to different geometries with a large number of design variables and recasts as a regression problem. The state-of-the-art algorithms including the neural network (NN), the deep neural networks (DNNs) with multiple hidden layers, and the support vector regression (SVR) are experimented with cross validations for ensuring the prediction generalizability. Averaged over all the experiments with competitive performances, the highest prediction accuracy about 95.23% was achieved for the SVR algorithm. This demonstrates the enormous capability of the data-driven algorithms in the geometrical dimension prediction of the unit cells for any given frequency band designated in the radar range (X, Ku, K, and Ka). The proposed inverse design procedure can expedite, facilitate, and to some extent replace the conventional and time-consuming manual design approaches with electromagnetic (EM) simulation software. Although these models can be very efficient in practice, they might be vulnerable against adversarial attacks that craft fake inputs to purposely fool the victim regressors toward adversary's wishes. This poses security concerns for the learning-based algorithms and might negatively affect their prediction reliabilities in runtime. In this article, we only characterize the existence of the adversarial attacks for the regression models using the fast gradient sign method. Our conducted experiments uncover that the fooling rate of all the aforementioned cutting-edge NN and DNN-based regressors is above 98% and this rate for the SVR model is about 11% better than other models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle