概括
本研究介绍了一种机器学习框架,用于快速设计针对特定照明模式的自由形光学表面. 该方法有效地预测了光滑,复杂的表面形状,推进了无光照明和光束造型应用.
科学领域:
- 光学和光子学 在光学和光子学.
- 机器学习应用 机器学习应用
- 光学设计设计的设计.
背景情况:
- 自由形光学设计面临的挑战是为特定的照明模式创建光滑,浅的拓.
- 应用包括无光照明和薄光束成形元件.
- 机器学习 (ML) 对光学中的反向问题显示出希望,但在自由形式照明设计中未得到充分利用.
研究的目的:
- 为预测自由形表面拓提供一个快速,独立的框架.
- 从预定义的光源生成规定的辐射分布.
- 探索复杂的自由形照明设计挑战的ML.
主要方法:
- 一个2D卷积神经网络 (CNN) 模拟了目标辐射和自由形拓之间的关系.
- 一种半监督学习方法使用损失函数对比获得和输入辐射来训练网络.
- 一个二级网络取代了传统的蒙特卡洛射线追踪,以提高效率.
主要成果:
- 该框架可以快速预测任意辐射模式的光滑自由形拓.
- 半监督学习方法的表现优于监督学习,承认多种拓学可以产生类似的模式.
- 开发的ML模型有效地解决了自由形照明设计中的反向问题.
结论:
- 提出的ML框架为设计用于照明的自由形光学表面提供了有效的解决方案.
- 这种方法可以快速生成复杂,光滑的自由形式拓.
- 这项工作激发了进一步的ML应用在自由形式照明设计中的未解决问题.
