一种用于实证光谱预测和反向设计的深度学习方法,用于全光非线性等离子环共振器开关的反向设计
Ehsan Adibnia1, Mohammad Ali Mansouri-Birjandi2, Majid Ghadrdan1
1Faculty of Electrical and Computer Engineering, University of Sistan and Baluchestan (USB), P.O. Box 9816745563, Zahedan, Iran.
Scientific reports
|March 9, 2024
概括
深度学习加速了光子集成电路的全光等离子开关 (AOPS) 的设计. 这种人工智能方法可以实现高效的频谱预测和反向设计,优于传统方法.
科学领域:
- 光子学和纳米技术的使用.
- 应用物理 应用物理
- 计算科学 计算科学
背景情况:
- 全光塑开关 (AOPS) 是光子集成电路 (PIC) 中全光信号处理的关键组件.
- 目前的AOPS设计依赖于低效的试错或经验方法.
- 深度学习 (DL) 为加速纳米光子学模拟提供了一个强大的计算工具.
研究的目的:
- 提出和验证一种新的深度学习方法,用于AOPS的频谱预测和反向设计.
- 与传统方法相比,证明DL模型的计算效率和准确性.
- 促进AOPS快速设计,以便集成到PIC中.
主要方法:
- 基于DL的前模型的开发,用于预测非线性等离子环共振器 (NPRR) 的传输光谱.
- 实现基于DL的反向建模,以确定所需光谱特征的设计参数.
- 在金属绝缘体金属波导中利用非线性克尔效应进行NPRR切换.
主要成果:
- DL前模型显示的计算效率明显高于有限差异时间域 (FDTD) 方法.
- 该模型根据结构参数准确预测传输光谱,包括独特的下降,基于结构参数.
- 反向建模成功地预测了目标光谱的设计参数,预测损失非常低 (约为10−4).
结论:
- 深度学习非常适合AOPS的前向和反向设计.
- 拟议的DL方法为PIC中AOPS的传统设计方法提供了快速有效的替代方案.
- 这项工作为加速开发先进的全光信号处理设备铺平了道路.
