Jaringan Prediksi Metamaterial dengan Split Ring Resonator Berdasarkan Deep Learning
Abstrak
Pengenalan "metamaterial" memiliki dampak besar pada beberapa bidang, termasuk elektromagnetik. Merancang struktur metamaterial sesuai permintaan, bagaimanapun, masih merupakan proses yang sangat memakan waktu. Sebagai metode pembelajaran mesin yang efisien, pembelajaran mendalam telah banyak digunakan untuk klasifikasi dan regresi data dalam beberapa tahun terakhir dan bahkan menunjukkan kinerja generalisasi yang baik. Kami telah membangun jaringan saraf yang dalam untuk desain sesuai permintaan. Dengan reflektansi yang diperlukan sebagai input, parameter struktur secara otomatis dihitung dan kemudian output untuk mencapai tujuan perancangan sesuai permintaan. Jaringan kami telah mencapai kesalahan kuadrat rata-rata rendah (MSE), dengan MSE 0,005 pada set pelatihan dan pengujian. Hasilnya menunjukkan bahwa menggunakan pembelajaran mendalam untuk melatih data, model yang dilatih dapat lebih akurat memandu desain struktur, sehingga mempercepat proses desain. Dibandingkan dengan proses desain tradisional, menggunakan pembelajaran mendalam untuk memandu desain metamaterial dapat mencapai tujuan yang lebih cepat, lebih akurat, dan lebih nyaman.
Pengantar
Nano-optik adalah subjek interdisipliner nanoteknologi dan optik. Dalam beberapa tahun terakhir, dengan terus-menerus merancang struktur dengan ukuran sub-panjang gelombang yang berbeda untuk mencapai interaksi khusus dengan cahaya yang datang, para ilmuwan telah berhasil memanipulasi karakteristik transmisi cahaya tertentu [1,2,3]. Sejak metamaterials diusulkan, mereka telah menarik perhatian banyak sarjana di bidang ini, dan secara bersamaan studi teoritis terkait mereka [4, 5], proses [6, 7], dan penelitian terapan [8] semuanya maju dengan kecepatan yang sama. Banyak fungsi aneh telah direalisasikan, termasuk pencitraan holografik, penyerapan sempurna [9], dan lensa datar [10]. Karena perkembangan pesat teknologi terahertz dan karakteristiknya yang unik, ia juga menjadi topik penelitian populer di bidang metamaterial dalam beberapa tahun terakhir [11,12,13].
Meskipun penerapan metamaterial sangat luas, metode desain tradisional mengharuskan desainer untuk berulang kali melakukan perhitungan numerik kompleks pada struktur yang dirancang. Proses ini menghabiskan banyak waktu dan sumber daya komputasi. Oleh karena itu, sangat penting untuk menemukan cara baru untuk menyederhanakan atau bahkan menggantikan metode desain tradisional.
Sebagai bidang lintas disiplin, pembelajaran mesin mencakup banyak disiplin ilmu termasuk ilmu kehidupan, ilmu komputer, dan psikologi, telah berhasil menggunakan komputer untuk meniru dan menerapkan proses pembelajaran manusia untuk memperoleh pengetahuan atau keterampilan baru. Prinsip dasar pembelajaran mesin secara sederhana dapat digambarkan sebagai penggunaan algoritma komputer untuk memperoleh korelasi di antara sejumlah besar data atau untuk memprediksi aturan di antara data yang serupa dan akhirnya mencapai tujuan klasifikasi atau regresi. Sampai saat ini, banyak algoritma pembelajaran mesin yang telah diterapkan pada penunjukan metamaterial dan telah mencapai hasil yang signifikan, termasuk algoritma genetika [14], algoritma regresi linier [15], dan jaringan saraf dangkal. Ketika struktur semakin kompleks dan perubahan struktur menjadi lebih beragam, masalah akan membutuhkan lebih banyak waktu untuk dipecahkan. Pada saat yang sama, sifat masalah yang sangat nonlinier menyulitkan algoritma pembelajaran mesin sederhana untuk mendapatkan prediksi yang akurat. Selain itu, untuk merancang struktur metamaterial yang cocok untuk efek elektromagnetik tertentu memerlukan perancang untuk mencoba dan melakukan perhitungan numerik kompleks pada struktur. Proses ini akan menghabiskan banyak waktu dan sumber daya komputasi.
Sebagai salah satu algoritma yang paling menonjol di bidang pembelajaran mesin, pembelajaran mendalam telah membuat prestasi terkenal di dunia di berbagai bidang terkait seperti visi komputer [16], ekstraksi fitur [17], dan pemrosesan bahasa alami [18]. Pada saat yang sama, keberhasilan di bidang lain yang tidak terkait dengan komputer sangat banyak, termasuk banyak disiplin ilmu dasar seperti ilmu kehidupan, kimia [19], dan fisika [20] [21]. Oleh karena itu, menerapkan pembelajaran mendalam pada desain metamaterial juga merupakan arah penelitian yang sedang hangat saat ini, dan banyak karya luar biasa telah muncul [22,23,24].
Terinspirasi oleh pembelajaran yang mendalam, makalah ini melaporkan sebuah penelitian menggunakan algoritma pembelajaran mesin berdasarkan jaringan saraf dalam untuk memprediksi struktur resonator cincin-terpisah (SRR) untuk mencapai tujuan merancang sesuai permintaan. Selain itu, jaringan maju dan jaringan mundur secara inovatif dilatih secara terpisah, yang tidak hanya dapat meningkatkan akurasi jaringan, tetapi juga dapat mencapai fungsi yang berbeda melalui kombinasi yang fleksibel. Hasil penelitian menunjukkan bahwa metode tersebut dapat mencapai MSE masing-masing sebesar 0,0058 dan 0,0055 pada set pelatihan dan set validasi, serta menampilkan ketahanan dan generalisasi yang baik. Dengan model terlatih yang memandu desain struktur metamaterial, siklus desain dapat dipersingkat menjadi beberapa hari atau bahkan berjam-jam, dan peningkatan efisiensi terlihat jelas. Selain itu, metode ini juga memiliki skalabilitas yang baik dan hanya perlu mengubah data set pelatihan untuk merancang input yang berbeda atau struktur yang berbeda sesuai permintaan.
Teori dan metode
Bangunan model COMSOL
Untuk menunjukkan bahwa pembelajaran mendalam dapat diterapkan pada desain terbalik struktur metamaterial, kami memodelkan struktur SRR tiga lapis yang terdiri dari cincin emas, dasar silika, dan dasar emas untuk mengamati respons elektromagnetiknya di bawah aksi cahaya insiden. Seperti yang ditunjukkan pada Gambar. 1, sudut bukaan θ cincin emas, jari-jari bagian dalam r cincin, dan lebar garis d cincin dipilih sebagai variabel independen dari struktur ini. Ketika seberkas cahaya terpolarisasi linier memasuki metamaterial secara normal, kurva reflektansi panjang gelombang di bawah struktur yang berbeda diperoleh dengan mengubah variabel struktural. Ketebalan cincin Au adalah 30 nm, dari bagian bawah SiO2 adalah 100 nm, dan bagian bawah Au adalah 50 nm, dan ukuran meta-atom adalah 200 nm kali 200 nm.
Diagram skema struktur. Seluruh metasurface terdiri dari meta-atom yang disusun berulang kali dalam dua arah, dan cahaya terpolarisasi linier datang tegak lurus terhadap metasurface. Setiap meta-atom terdiri dari cincin emas, dasar silika, dan dasar emas secara berurutan dari atas ke bawah. Cincin emas paling atas berisi tiga parameter struktural, yaitu lebar garis d , sudut pembukaan θ , dan jari-jari cincin bagian dalam r
Gunakan COMSOL Multiphysics 5.4 [25] untuk pemodelan, pilih dimensi ruang tiga dimensi, pilih optik optik gelombang domain frekuensi gelombang elektromagnetik (ewfd) untuk medan fisik dan pilih domain panjang gelombang untuk penelitian. Buat model di atas dalam geometri. Bahan dari setiap bagian dan indeks biasnya didefinisikan secara berurutan dalam bahan, dan port dan kondisi periodik ditambahkan dalam domain frekuensi gelombang elektromagnetik.
Membangun model jaringan saraf pembelajaran mendalam
Kami telah membangun jaringan terbalik dan jaringan maju untuk struktur metamaterial. Jaringan terbalik dapat memprediksi parameter struktural SRR dari dua set kurva reflektansi panjang gelombang yang diberikan dengan arah polarisasi yang berbeda. Jaringan maju dapat memprediksi kurva panjang gelombang-reflektansi dalam dua arah polarisasi dengan parameter struktural yang diberikan. Fungsi jaringan terbalik adalah bagian utama dari fungsi prediksi. Peran jaringan maju adalah untuk memverifikasi hasil prediksi jaringan balik untuk mengamati apakah hasil prediksi memenuhi respons elektromagnetik yang diperlukan.
Gunakan Eclipse 2019 sebagai platform pengembangan, python3.7 sebagai bahasa pemrograman, dan TensorFlow 1.12.0 sebagai kerangka pengembangan.
Kedua jaringan dilatih secara terpisah untuk menjaga hasil pelatihan dari setiap jaringan agar tidak terpengaruh oleh kesalahan jaringan lain, yang dengan demikian memastikan keakuratan masing-masing jaringan.
Seperti ditunjukkan pada Gambar. 2, keuntungan lain dari melatih dua jaringan secara terpisah adalah bahwa mereka dapat digunakan untuk tujuan yang berbeda melalui urutan koneksi yang berbeda:(a) jaringan balik + jaringan maju, yang dapat menggunakan kurva reflektansi panjang gelombang yang diberikan untuk menghitung parameter struktur, membuat prediksi dan memverifikasi apakah hasil prediksi memenuhi kebutuhan, dan (b) menggunakan jaringan maju saja dapat menyederhanakan proses perhitungan metode perhitungan numerik dan mengurangi waktu perhitungan.
Dalam gambar ini, FNN mengacu pada jaringan saraf maju, dan RNN mengacu pada jaringan saraf terbalik. Grafik teratas (a ) menunjukkan bahwa dua jaringan dapat dihubungkan untuk mencapai efek prediksi dan verifikasi, dan grafik bawah (b ) menunjukkan bahwa jaringan respons maju saja dapat digunakan untuk menghitung respons optik
Perlu diketahui bahwa proses penginputan dan perolehan hasil model yang dilatih menggunakan metode deep learning membutuhkan waktu yang sangat singkat. Dan setiap kali data baru diperoleh melalui simulasi atau eksperimen, model tersebut dapat digunakan untuk pelatihan lebih lanjut. Penelitian telah menunjukkan bahwa dengan peningkatan terus menerus dari data pelatihan, akurasi model akan menjadi lebih tinggi dan lebih tinggi, dan kinerja generalisasi yang lebih baik dan lebih baik [26].
Parameter struktur adalah beberapa set nilai eigen kontinu, yang termasuk dalam masalah regresi. Dalam beberapa tahun terakhir, jaringan yang sepenuhnya terhubung telah menjadi fokus jaringan pembelajaran mendalam pada masalah regresi dan menunjukkan karakteristik keandalan yang tinggi, throughput data yang besar, dan latensi yang rendah. Melakukan beberapa penyesuaian pada jaringan yang terhubung sepenuhnya akan memungkinkan jaringan untuk memprediksi struktur dengan lebih baik.
Seperti yang ditunjukkan pada Gambar. 3b, jaringan maju adalah jaringan yang sepenuhnya terhubung di mana semua node dari dua lapisan yang berdekatan terhubung satu sama lain. Data input adalah parameter struktural, dan output adalah kurva panjang gelombang-reflektansi dari dua arah polarisasi. Seperti yang ditunjukkan pada Gambar. 3a, jaringan terbalik terdiri dari lapisan ekstraksi fitur (lapisan FE) dan lapisan yang terhubung penuh (lapisan FC). Lapisan FE mencakup dua set jaringan yang sepenuhnya terhubung yang tidak terhubung satu sama lain dan memproses kurva panjang gelombang-reflektansi dari cahaya terpolarisasi linier dalam dua arah untuk mengekstrak beberapa fitur dari data input. Lapisan FC akan mempelajari fitur yang diekstraksi dan menampilkan parameter struktural. Karena karakteristik kohesi tinggi dan kopling rendah antara kurva panjang gelombang-reflektansi dalam keadaan polarisasi yang berbeda, memisahkan input dari dua set data cahaya terpolarisasi dalam arah yang berbeda dapat mencegah jaringan terganggu oleh standarisasi data selama proses ekstraksi data. Jaringan maju tidak melibatkan beberapa set input dan tidak perlu mempertimbangkan interferensi timbal balik antar data, sehingga tidak memiliki lapisan ekstraksi fitur.
Diagram skematis dari struktur jaringan. Gambar di atas menunjukkan jaringan terbalik. Jaringan terbalik terdiri dari lapisan input, lapisan ekstraksi fitur, lapisan yang terhubung penuh, dan lapisan output. Gambar berikut menunjukkan jaringan maju, yang terdiri dari lapisan input, lapisan tersembunyi, dan lapisan output
Untuk menentukan struktur jaringan yang optimal, jaringan dalam struktur yang berbeda dilatih menggunakan kumpulan data yang sama. Seperti yang ditunjukkan pada Gambar 4, setelah data mengalami 50 epoch (ketika semua data telah menjalani pelatihan lengkap, ini disebut epoch), MSE dicapai oleh jaringan maju dari struktur yang berbeda. Seperti dapat dilihat dari gambar kiri Gambar 4, ketika jaringan maju berisi 5 lapisan tersembunyi, setiap lapisan berisi 100 node, MSE terendah yang dicapai adalah sekitar 0,0174, sehingga jaringan maju dari struktur ini akan dipilih.
Perbandingan struktur jaringan. Pada gambar di sebelah kiri, sumbu horizontal mewakili jumlah node di setiap lapisan, sumbu vertikal mewakili MSE, dan hitam, merah, biru, dan hijau mewakili situasi ketika lapisan tersembunyi berisi 5, 6, 7, dan 8 lapisan, masing-masing. Pada gambar di sebelah kanan, sumbu horizontal menunjukkan jumlah lapisan dalam lapisan yang terhubung penuh, sumbu vertikal menunjukkan MSE, dan garis hitam, merah, dan biru menunjukkan situasi ketika lapisan FE mencakup 3, 4, dan 5 , masing-masing
Demikian pula, jaringan berbeda dari jaringan terbalik dilatih, dan volume pelatihan masih diatur ke 50 zaman. Hasilnya ditunjukkan pada gambar kanan Gambar 4. Ketika jumlah lapisan FC adalah 7 dan jumlah lapisan FE adalah 3, jaringan mencapai MSE terendah, yaitu sekitar 0,1756.
Kami menemukan bahwa jumlah lapisan jaringan yang lebih besar akan menghasilkan fenomena ledakan gradien, yang akan menyebabkan jaringan gagal untuk berkumpul, dan kerugiannya tidak terbatas, sehingga tidak tercantum dalam gambar.
Praproses data
Untuk melatih jaringan maju yang lebih andal, data reflektansi dibagi ulang, dan dijahit dengan refraksi Au dan SiO2 sesuai dengan frekuensi masing-masing. Data yang dikumpulkan kemudian dinormalisasi dan dimasukkan ke jaringan penerusan, yang dapat sangat meningkatkan akurasi jaringan penerusan.
Untuk memastikan bahwa data dengan nilai yang lebih besar tidak akan memberikan dampak yang lebih besar pada jaringan daripada data dengan nilai yang lebih kecil, maka data input perlu dinormalisasi agar setiap kolom data sesuai dengan distribusi normal standar (nilai rata-rata adalah 0, variansnya adalah 1), lalu data yang diproses x dapat dinyatakan sebagai berikut:
Dalam ekspresi, x0 adalah data asli sampel, μ rata-rata sampel, dan σ simpangan baku sampel. Jika data input tidak dibagi ulang, reflektansi akan terdistorsi setelah normalisasi, yang akan mengurangi akurasi jaringan. Data yang dibagi ulang tidak akan mempengaruhi distribusinya karena normalisasi.
Metode jaringan saraf
Prinsip dari neural network adalah membangun banyak neuron (node) dengan meniru cara kerja otak manusia dan belajar [27]. Neuron terhubung satu sama lain, dan outputnya disesuaikan dengan menyesuaikan bobot koneksi. Keluaran dari j Node ke-th dari sebuah layer dapat diekspresikan sebagai berikut:
f adalah fungsi aktivasi, wi adalah berat koneksi dari i . lapisan sebelumnya simpul ke-th terhubung ke j simpul ke-, xi adalah output dari i simpul ke-th dari lapisan sebelumnya, bj adalah istilah bias dari simpul ini, dan n adalah jumlah node di lapisan sebelumnya yang terhubung ke j simpul ke-.
Pilihan fungsi aktivasi
Untuk memenuhi nonlinieritas tinggi dari masalah invers, fungsi ELU [28] digunakan sebagai fungsi aktivasi setiap lapisan neuron [28]. Keluaran f (x ) dari fungsi ELU dapat dinyatakan dalam bentuk piecewise sebagai berikut:
Dalam fungsi ini, x adalah input asli, dan nilai parameter untuk α berkisar dari 0 hingga 1.
Alasan penggunaan fungsi aktivasi adalah bahwa fungsi aktivasi mengubah kemampuan ekspresi nonlinier dari setiap lapisan jaringan, sehingga meningkatkan kemampuan pemasangan jaringan nonlinier secara keseluruhan. Seperti yang ditunjukkan pada Gambar. 5, fungsi ELU menggabungkan keunggulan fungsi aktivasi Sigmoid dan rectified linear unit (ReLU). Kapan x <0, ia memiliki saturasi lembut yang lebih baik, yang membuat jaringan lebih kuat untuk memasukkan perubahan dan kebisingan. Kapan x> 0, tidak ada saturasi, yang berguna untuk mengurangi hilangnya gradien jaringan. Fitur yang nilai rata-rata ELU mendekati 1 dapat membuat jaringan lebih mudah untuk dicocokkan. Hasilnya membuktikan bahwa menggunakan ELU sebagai fungsi aktivasi pembelajaran mendalam, jaringan saraf meningkatkan ketahanan jaringan secara signifikan.
Kurva fungsi unit linier eksponensial (ELU). Pada gambar, x mewakili input asli, dan f (x ) mewakili keluaran fungsi
Skema inisialisasi bobot
Metode inisialisasi bobot jaringan setiap lapisan menentukan kecepatan pemasangan jaringan dan bahkan menentukan apakah jaringan dapat cocok atau tidak. Inisialisasi penskalaan varians didasarkan pada jumlah data input pada setiap lapisan dan mengekstrak bobot dari distribusi normal terpotong yang berpusat pada 0, sehingga varians dapat dikurangi hingga rentang tertentu, kemudian data dapat menyebar lebih dalam ke seluruh jaringan [29 ]. Pada struktur jaringan ini, menggunakan inisialisasi penskalaan varians dapat membuat kecepatan konvergensi jaringan menjadi lebih cepat secara signifikan.
Solusi overfitting
Karena data yang tidak mencukupi, jaringan akan menghasilkan beberapa overfitting. Dengan pengurangan overfitting, jaringan dapat memiliki kinerja generalisasi yang baik pada data di luar set pelatihan. Regularisasi L2 (juga disebut penurunan bobot dalam masalah regresi) digunakan untuk memproses bobot w . Keluaran teratur L dapat dinyatakan sebagai berikut:
$$ L={L}_0+\frac{\lambda }{2n}\sum {w}^2 $$ (4)
Dalam Persamaan. (4), L0 mewakili fungsi kerugian asli, dan suku regularisasi \( \frac{\lambda }{2n}\sum {w}^2 \) ditambahkan atas dasar ini, di mana λ mewakili koefisien regularisasi, n throughput data, dan dengan beratnya. Setelah suku regularisasi ditambahkan, nilai bobot w cenderung menurun secara keseluruhan, dan terjadinya nilai yang berlebihan dapat dihindari, jadi w juga disebut redaman berat. Regularisasi L2 dapat mengurangi bobot untuk menghindari kemiringan besar dari kurva yang dipasang, sehingga secara efektif mengurangi fenomena jaringan yang berlebihan dan membantu untuk menyatu.
Atas dasar ini, metode putus sekolah juga digunakan. Metode ini secara visual dapat dianggap sebagai "menyembunyikan" skala node jaringan tertentu untuk setiap pelatihan, dan menyembunyikan node yang berbeda selama setiap pelatihan, untuk mencapai tujuan melatih beberapa "jaringan parsial". Dan melalui pelatihan, sebagian besar "jaringan parsial" dapat secara akurat mewakili target, dan hasil dari semua "jaringan parsial" dapat diurutkan untuk mendapatkan solusi target.
Menggunakan regularisasi L2 dan metode putus sekolah yang disebutkan di atas tidak hanya dapat secara efektif mengurangi generalisasi rendah yang disebabkan oleh data yang tidak mencukupi, tetapi juga mengurangi dampak dari sejumlah kecil data yang salah dalam kumpulan data pada hasil pelatihan.
Pada struktur jaringan dan kumpulan data ini, dengan putus sekolah =0,2 dan koefisien regularisasi L2 λ =0,0001, jaringan dapat memperoleh akurasi yang sama pada set pelatihan dan set pengujian, sehingga mencapai kinerja generalisasi yang tinggi.
Hasil dan diskusi
Setelah pelatihan, jaringan maju kami dapat mencapai tingkat kesesuaian yang tinggi, dengan MSE 0,0015, yang menunjukkan output sangat mirip dengan hasil simulasi, seperti yang ditunjukkan pada Gambar 6. Ini juga memastikan bahwa saat melatih jaringan terbalik, hasil jaringan terbalik dapat diverifikasi dengan andal.
Hasil pelatihan jaringan ke depan. Parameter struktural yang sesuai adalah θ =50°, r =60 nm, dan d =10 nm. Pada gambar, sumbu horizontal mewakili panjang gelombang cahaya datang, sumbu vertikal mewakili reflektifitas, garis merah mewakili hasil simulasi COMSOL, dan garis biru mewakili hasil pelatihan jaringan. Gambar kiri menunjukkan kurva reflektifitas yang sesuai dengan x -masukan terpolarisasi, dan gambar kanan menunjukkan kurva reflektifitas yang sesuai dengan y -masukan terpolarisasi
Terakhir, kita akan menghasilkan dua model dari jaringan yang dipelajari dan menghubungkan kedua model untuk mencapai fungsi prediksi.
Fungsi prediksi dapat memilih kombinasi yang ditunjukkan pada Gambar. 2a. Jaringan terbalik memprediksi struktur yang sesuai sesuai dengan kurva reflektansi panjang gelombang yang diperlukan, dan jaringan maju memverifikasi respons optik struktur. Seperti ditunjukkan pada Gambar. 7, dengan membandingkan reflektansi diverifikasi dengan reflektansi input, karakteristik reflektansi dari cahaya datang di dua arah polarisasi pada dasarnya konsisten. Meskipun ketidakcocokan reflektansi kecil dapat diamati untuk nilai panjang gelombang tertentu, tren pencocokan keseluruhan jelas tidak dapat disangkal, karena kesalahannya berada dalam kisaran yang dapat diterima.
Jaringan terbalik diikuti oleh jaringan maju dapat mencapai tujuan prediksi. Pada gambar, sumbu horizontal mewakili panjang gelombang cahaya datang, sumbu vertikal mewakili reflektifitas, garis merah mewakili hasil simulasi COMSOL, dan garis biru mewakili hasil pelatihan jaringan. Gambar kiri menunjukkan kurva reflektifitas yang sesuai dengan x -masukan terpolarisasi, dan gambar kanan menunjukkan kurva reflektifitas yang sesuai dengan y -masukan terpolarisasi Hasil prediksi untuk kurva reflektansi panjang gelombang input adalah θ =1,5°, r =65 nm, dan d =18 nm
Kesimpulan
Dalam artikel ini, kami telah mempresentasikan jaringan pembelajaran mendalam yang kami rancang, yang mampu menciptakan berbagai efek melalui penggunaan kombinasi konfigurasi jaringan yang fleksibel. Jaringan terbalik kami yang dirancang dapat memprediksi struktur yang diperlukan menggunakan kurva bias panjang gelombang input, yang dapat sangat mengurangi waktu yang diperlukan dalam memecahkan masalah terbalik dan memenuhi kebutuhan yang berbeda melalui penggunaan kombinasi yang fleksibel. Hasilnya menunjukkan bahwa jaringan telah mencapai akurasi prediksi yang lebih tinggi, yang selanjutnya menyiratkan bahwa desain sesuai permintaan dapat diselesaikan melalui metode kami. Menggunakan pembelajaran mendalam untuk memandu desain metamaterial dapat secara otomatis memperoleh struktur metamaterial yang lebih akurat, hasil yang tidak dapat dicapai dengan metode desain tradisional.
Ketersediaan data dan materi
Tanggal naskah berasal dari jaringan simulasi kami, dan kami tidak dapat membagikannya karena beberapa alasan pribadi.
