Publication

Accuracy of surface integral equation matrix elements in plasmonic calculations

Raziman Thottungal Valapu
2015
Journal Articles

Résumé

We study the convergence of the integrals required to be evaluated in the surface integral equation (SIE) formulation (or method of moments) for simulating the optical response of plasmonic nanostructures. We analyze how the numerical quadratures used to compute the integrals affect the accuracy of the SIE matrix elements and, in turn, that of the relevant physical quantities calculated using the method. Based on these studies, we propose an optimized algorithm for evaluation of the integrals, which improves the accuracy of the results without significantly increasing the calculation overhead.

Source officielle

https://infoscience.epfl.ch/entities/publication/35b105f2-1d33-4d1c-bdc1-973b04d38937

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Accuracy of surface integral equation matrix elements in plasmonic calculations

Chattez avec Graph Search

Data-driven control in atomic force microscopy using a genetic algorithm

Improving the accuracy and interpretability of neural networks for wind power forecasting

Learning to Optimize with Convergence Guarantees Using Nonlinear System Theory