机构名称：
¥ 2.0
关键词：逆向设计、光学超材料、物理信息学习、深度学习 光学超表面由密集排列的单元组成，这些单元通过各种光限制和散射过程来操纵光。由于其独特的优势，例如高性能、小尺寸和易于与半导体器件集成，超表面在显示器、成像、传感和光学计算等领域引起了越来越多的关注。尽管在制造和特性方面取得了进展，但对于复杂的光学超材料系统来说，对合适的光学响应进行可行的设计预测仍然具有挑战性。随着设计复杂性的增加，获得最佳设计所需的计算成本呈指数增长。此外，由于逆问题通常是不适定的，因此设计预测具有挑战性。近年来，深度学习 (DL) 方法在逆向设计领域显示出巨大的前景。受此启发以及 DL 产生快速推理的能力，我们引入了一个物理信息 DL 框架来加快超表面逆向设计的计算。添加基于物理的约束可以提高 DL 模型的通用性，同时减少数据负担。我们的方法引入了一种串联深度学习架构和基于物理的学习，通过选择科学一致、设计预测误差低、光学响应重建准确的设计来缓解非唯一性问题。为了证明这一概念，我们专注于代表性等离子体装置的逆向设计，该装置由沉积在金属基板顶部的介电膜上的金属光栅组成。该装置的光学响应由几何尺寸和材料特性决定。训练和测试数据是通过严格耦合波分析 (RCWA) 获得的，而基于物理的约束则是通过求解简化均质模型的电磁 (EM) 波方程得出的。我们考虑对单个波长事件或可见光范围内波长光谱的光学响应进行设计预测。以可见光谱的光学响应作为输入，我们的模型对于逆向设计预测的收敛准确率高达 97%。该模型还能够以高达 96% 的准确度预测设计，对于单一波长的光的光学响应作为输入，光学响应重建准确度可达 99%。
用于光学超材料逆向设计的物理机器学习
主要关键词
相关文件推荐
