纳米光子纳米孔阵列的深度学习驱动的前向和反向设计:为定制的光学功能简化设计并提高可访问性
Tasnia Jahan1, Tomoshree Dash1, Shifat E Arman2
1Department of Electrical and Electronic Engineering, University of Dhaka, Dhaka-1000, Bangladesh. mahabib@du.ac.bd.
Nanoscale
|August 22, 2024
概括
深度学习模型准确地预测纳米孔阵列的光学特性,并使纳米光子应用的反向设计成为可能. 这种计算方法加速了纳米孔阵列设备的优化,节省了大量的时间和资源.
科学领域:
- 纳米光子学 纳米光子学
- 计算材料科学科学 计算材料科学
- 机器学习 机器学习
背景情况:
- 纳米孔阵列 (NHAs) 在纳米光子学中对于各种光学功能至关重要.
- 优化NHA性能需要理解复杂的材料和几何参数,这给计算带来了挑战.
- 传统的模拟方法用于NHA设计是耗时的.
研究的目的:
- 开发一个高效的深度学习框架来预测NHA光学特性.
- 为了比较基于深度学习的NHA结构推理的反向建模方法.
- 通过实验制造和测试来验证计算模型.
主要方法:
- 一个深度神经网络 (DNN) 被训练用于使用结构数据对NHA光学属性的前向建模.
- 我们比较了三种反向建模方法 (完全连接,卷积,合神经网络).
- 模型在来自有限差异时间域 (FDTD) 模拟的6000多个样本上进行了训练.
- 实验验证涉及使用深紫外线光刻法制造黄金NHAs.
主要成果:
- 前进模型准确地预测NHA传输光谱,平均平方误差 (MSE) 低,为2.44 × 10−4.
- 反向模型可靠地推断出材料属性和几何参数,临界几何参数偏差在1.5nm以下.
- 训练有素的DNN在毫秒内提供预测,大大降低了计算成本.
结论:
- 深度学习为NHA设计和优化提供了高效准确的解决方案.
- 开发的模型表现出强度和精度,经过实验结果验证.
- 这种方法加速了基于NHA的光子设备的发现和开发.
