АДАПТИВНА ІНФОРМАЦІЙНА СИСТЕМА СПЕКТРАЛЬНОГО МОДЕЛЮВАННЯ НА БАЗІ ФІЗИЧНО-ІНФОРМОВАНОГО МОНТЕ-КАРЛО
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.4.2.19Ключові слова:
спектральне моделювання; гетерогенні середовища; чисельні методи; адаптивна сітка; мультифідельна стратегія; фізично-інформоване моделювання; стохастичні алгоритми.Анотація
У статті представлено розробку концепції адаптивної інформаційної системи спектрального моделювання, що базується на фізично-інформованому циклі Монте-Карло (АФІЦ-МК). Метою дослідження є підвищення точності та ефективності моделювання оптичних характеристик складних гетерогенних середовищ шляхом інтеграції детермінованих і стохастичних методів у єдиній адаптивній архітектурі. Запропонована система реалізує гібридну мультифідельну структуру, яка поєднує методи скінченних різниць у часовій області і скінченних елементів із стохастичними алгоритмами Монте-Карло, забезпечуючи динамічне узгодження рівнів точності в процесі симуляції. Особливістю системи є поєднання low-fidelity емуляцій із періодичними high-fidelity симуляціями (~10%), що дозволяє стабілізувати розрахунковий процес, проводити регулярну корекцію моделей та зменшити обчислювальні витрати до 40% без втрати фізичної достовірності результатів. До складу алгоритму включено механізм адаптивного уточнення сітки в областях інтенсивних спектральних змін, а також онлайн-статистичне усереднення за методом Велфорда, що забезпечує стійкість до шуму та підвищення точності статистичних оцінок. Для перевірки ефективності АФІЦ-МК проведено чисельне моделювання спектрів пропускання та відбивання для трьох класів матеріалів – композитів, біологічних тканин і наноструктур. Результати засвідчили, що композити характеризуються високою стабільністю оптичних параметрів, біологічні тканини виявляють найбільшу варіативність через неоднорідність структури, а наноструктури демонструють високу чутливість до локальних геометричних змін. Розроблений алгоритм забезпечує збалансоване поєднання фізичної коректності, адаптивності та обчислювальної ефективності. Отримані результати відкривають перспективи використання АФІЦ-МК у системах інтелектуального спектрального аналізу, автоматизованих лабораторіях, а також у гібридних AI-платформах для прогнозування та оптимізації оптичних властивостей складних матеріалів і біоінженерних структур.
Посилання
Lebensohn R. A., Rollett A. D. Spectral methods for full-field micromechanical modelling of polycrystalline materials. Computational Materials Science. 2020. Vol. 173. P. 109336. DOI: https://doi.org/10.1016/j.commatsci.2019.109336
Elmasry A., Azoti W., El-Safty S. A., Elmarakbi A. A comparative review of multiscale models for effective properties of nano- and micro-composites. Progress in Materials Science. Progress in Materials Science. 2022. P. 101022. DOI: https://doi.org/10.1016/j.pmatsci.2022.101022.
Gao C.-Z., Yin J.-W., Cai Y., Fan Z.-F., Wang P., Wang J.-G. Stochastic radiative transfer in random media. III. Effective opacity. Physical Review E. 2025. Vol. 111, № 4. 044115. DOI: https://doi.org/10.1103/PhysRevE.111.044115.
Zhu C., Liu Q. Review of Monte Carlo modeling of light transport in tissues. Journal of Biomedical Optics. 2013. Vol. 18. № 5. P. 050902. DOI: https://doi.org/10.1117/1.JBO.18.5.050902.
McCoy D. E., Shneidman A. V., Davis A. L., Aizenberg J. Finite-difference time-domain (FDTD) optical simulations: A primer for the life sciences and bio-inspired engineering. Micron. 2021. Vol. 151. 103160. DOI: https://doi.org/10.1016/j.micron.2021.103160.
Niklasson G. A., Granqvist C. G., Hunderi O. Effective medium models for the optical properties of inhomogeneous materials. Applied Optics. 1981. Vol. 20. № 1. P. 26–30. URL: https://opg.optica.org/ao/abstract.cfm?URI=ao-20-1-26.
Millán C., Santonja C., Domingo M., Luna R., Satorre M. Á. An experimental test for effective medium approximations (EMAs) – Porosity determination for ices of astrophysical interest. Astronomy & Astrophysics. 2019. Vol. 628. A63. DOI: https://doi.org/10.1051/0004-6361/201935153.
Feng J., Santamouris M. Numerical techniques for electromagnetic simulation of daytime radiative cooling: A review. AIMS Materials Science. 2019. Vol. 6. P. 1049–1064. DOI: https://doi.org/10.3934/matersci.2019.6.1049.
Noebauer U. M., Sim S. A. Monte Carlo radiative transfer. Living Reviews in Computational Astrophysics. 2019. Vol. 5. № 1. DOI: https://doi.org/10.1007/s41115-019-0004-9.
Zhou Y.-P., Qiu Y., He Y.-L., Xie T. Multi-scale investigation on the optical performance of a concentrated photovoltaic thermoelectric hybrid system by a MC-FDTD coupled method. Energy Procedia. 2017. Vol. 105. P. 473–479. DOI: https://doi.org/10.1016/j.egypro.2017.03.343.
Zygiridis T. T. A Short Review of FDTD-Based Methods for Uncertainty Quantification in Computational Electromagnetics. Mathematical Problems in Engineering. 2017. Vol. 2017. P. 1–8. DOI: https://doi.org/10.1155/2017/9247978.
Akbarzadeh A., Edjlali E., Sheehy G., Selb J., Agarwal R., Weber J., Leblond F. Experimental validation of a spectroscopic Monte Carlo light transport simulation technique and Raman scattering depth sensing analysis in biological tissue. Journal of Biomedical Optics. 2020. Vol. 25. № 10. P. 105002. DOI: https://doi.org/10.1117/1.JBO.25.10.105002.
Pilot R., Signorini R., Durante C., Orian L., Bhamidipati M., Fabris L. A review on surface-enhanced Raman scattering. Biosensors. 2019. Vol. 9. № 2. P. 57. DOI: https://doi.org/10.3390/bios9020057.
Mueller N. S., Pfitzner E., Okamura Y., Gordeev G., Kusch P., Lange H., Heberle J., Schulz F., Reich S. Surfaceenhanced Raman scattering and surface-enhanced infrared absorption by plasmon polaritons in three-dimensional nanoparticle supercrystals. ACS Nano. 2021. Vol. 15. № 3. P. 5523–5533. DOI: https://doi.org/10.1021/acsnano.1c00352.
Zhang W., Kasun L. C., Wang Q. J., Zheng Y., Lin Z. A review of machine learning for near-infrared spectroscopy. Sensors. 2022. Vol. 22. № 24. P. 9764. DOI: https://doi.org/10.3390/s22249764.
Agarwal M., Pasupathy P., Wu X., Recchia S. S., Pelegri A. A. Multiscale computational and artificial intelligence models of linear and nonlinear composites: A review. Small Science. 2024. Vol. 4. № 5. P. 2300185. DOI: https://doi.org/10.1002/smsc.202300185.
Angulo A., Yang L., Aydil E., Modestino M. Machine learning enhanced spectroscopic analysis: Towards autonomous chemical mixture characterization for rapid process optimization. Digital Discovery. 2021. Vol. 1. DOI: https://doi.org/10.1039/D1DD00027F.
Klukowski P., Riek R., Güntert P. Machine learning in NMR spectroscopy. Progress in Nuclear Magnetic Resonance Spectroscopy. 2025. Vol. 148–149. P. 101575. DOI: https://doi.org/10.1016/j.pnmrs.2025.101575.
Guo K., Shen Y., Gonzalez-Montiel G. A., Huang Y., Zhou Y., Surve M., et al. Artificial intelligence in spectroscopy: Advancing chemistry from prediction to generation and beyond. arXiv preprint arXiv:2502.09897. 2025. URL: https://arxiv.org/abs/2502.09897.
Bilak Y. Modeling, optimization and AI-forecasting technology in Raman spectrometry. Problems of Control and Informatics. 2025. Vol. 70. № 2. P. 99–112. DOI: https://doi.org/10.34229/1028-0979-2025-2-9.
Bilak Y., Reblian A., Buchuk R., Fedorka P. Development of a combined neural network model for effective spectroscopic analysis. Eastern-European Journal of Enterprise Technologies. 2025. Vol. 1. № 4(133). P. 41–51. DOI: https://doi.org/10.15587/1729-4061.2025.322627.
Білак Ю. Інформаційна система на основі комплексної моделі з використанням машинного навчання для спектрального аналізу. Вісник Київського національного університету імені Тараса Шевченка. Фізико-математичні науки. 2025. Т. 80. № 1. С. 104–114. DOI: https://doi.org/10.17721/1812-5409.2025/1.14.
Zhao J., Liu L. H. Radiative transfer equation and solutions. Encyclopedia of Two-Phase Heat Transfer and Flow. 2017. DOI: https://doi.org/10.1007/978-3-319-32003-8_56-1.
Stroud D. The effective medium approximations: Some recent developments. Superlattices and Microstructures. 1998. Vol. 23. Issues 3–4. P. 567–573. DOI: https://doi.org/10.1006/spmi.1997.0524.
Yang Z., Li Q., Ruan F., Li Z., Ren B., Xu H., Tian Z. FDTD for plasmonics: Applications in enhanced Raman spectroscopy. Chinese Science Bulletin. 2010. Vol. 55. P. 2635–2642. DOI: https://doi.org/10.1007/s11434-010-4044-0.
Zapata-Franco A. M., Vargas-Alzate Y. F., Gonzalez J. M., Olmos-Toledo E. B. FEM-based spectral matching to obtain specific surface spectra. Soil Dynamics and Earthquake Engineering. 2025. Vol. 190. P. 109153. DOI: https://doi.org/10.1016/j.soildyn.2024.109153.
van der Graaf E. R., Limburg J., Koomans R. L., Tijs M. Monte Carlo based calibration of scintillation detectors for laboratory and in situ gamma ray measurements. Journal of Environmental Radioactivity. 2011. Vol. 102. № 3. P. 270–282. DOI: https://doi.org/10.1016/j.jenvrad.2010.12.001.
Markel V. A. Maxwell Garnett approximation in random media: tutorial. Journal of the Optical Society of America A. 2022. Vol. 39. P. 535–544. DOI: https://doi.org/10.1364/JOSAA.449258.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
