深度强化学习使纳米级激光腔的光子晶体的自动反向设计和优化成为可能
Renjie Li1,2, Ceyao Zhang3,4, Wentao Xie1
1Shenzhen Key Laboratory of Semiconductor Lasers, School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen, Guangdong, China.
Nanophotonics (Berlin, Germany)
|December 5, 2024
概括
本研究介绍了学习设计光学共振器 (L2DO),这是一种使用强化学习 (RL) 自主设计纳米光子激光腔的AI框架. 在光子反向设计的速度和效率方面,L2DO显著优于人类专家和传统方法.
科学领域:
- 光学和光学工程的光学和光学工程.
- 人工智能和机器学习
- 计算物理学的计算物理.
背景情况:
- 传统的光子反向设计是劳动密集型和次优的.
- 监督/半监督深度学习面临着数据稀缺和非独特解决方案等挑战.
- 强化学习 (RL) 为自动化设计提供了一个有希望的替代方案.
研究的目的:
- 开发一个基于RL的框架,L2DO,用于自主纳米光子激光腔反向设计.
- 克服现有方法的局限性,包括数据要求和优化范围.
- 在没有事先知识的情况下实现独特的设计解决方案.
主要方法:
- 使用的RL算法:深度Q学习和近接政策优化.
- 应用L2DO设计了两种类型的光子晶体 (PC) 纳米光束激光腔.
- 用有限的硬件资源在152小时内训练模型.
主要成果:
- 在最先进的结果中实现了超过2个数量级的改进.
- 在设计任务效率方面,人类专家的表现超过了人类专家的10倍.
- 满足高Q因子 (>500万) 并优化了像共振频率这样的额外功能.
结论:
- 与人类和监督学习方法相比,L2DO显示出更高的样本效率.
- 证实了深度RL在光子学中超越人类设计能力的潜力.
- 代表了向光子反向设计的全自动化AI框架迈出的重要一步.
