多任务学习 深度神经网络 实现活跃元材料的嵌入式设计
Xiaogen Yuan1, Zhongchao Wei1, Qiongxiong Ma1
1Guangdong Provincial Key Laboratory of Nanophotonic Functional Materials and Devices, School of Information and Optoelectronic Science and Engineering, South China Normal University, Guangzhou 510006, China.
ACS applied materials & interfaces
|May 13, 2024
概括
我们开发了一个深度学习框架,用于设计活性光子设备. 这种方法简化了为个性化光学应用使用相变材料创建可调节带宽过器.
科学领域:
- 光学和光学工程的光学和光学工程.
- 材料科学是一种材料科学.
- 人工智能和机器学习
背景情况:
- 活跃的超表面提供可调节的光学特性,但其设计复杂.
- 像Ge2Sb2Se4Te (GSST) 这样的相变材料可以动态控制光学特征.
- 有效的前向建模和反向设计对于实现先进的光子设备至关重要.
研究的目的:
- 提出和实施深度神经网络框架,以简化光子设备设计.
- 为中波红外区域开发一个连续调节的带通波器.
- 证明多任务学习在优化具有相变材料的设备方面的有效性.
主要方法:
- 开发了一个基于多任务学习的深度神经网络框架.
- 该框架模型是基于超表面的Fabry-Perot空洞过器的晶度和几何参数.
- 过器使用由加热器控制的Ge2Sb2Se4Te (GSST) 相变材料.
主要成果:
- 深度学习框架成功地简化了前向建模和反向设计过程.
- 在中波红外线中构建并验证了一种可连续调节的带宽过渡波器.
- 多任务深度学习策略有效地最大限度地利用GSST调来进行带程过.
结论:
- 多任务深度学习为光子结构的按需反向设计提供了一个强大的工具.
- 这种方法增强了光学设备的个性化和功能扩展可能性.
- 该研究表明,在设计使用相变材料的活性光子设备方面取得了重大进展.
