集成深度卷积替代溶解器和粒子群优化,以实现等离子补丁纳米天线的高效反向设计
Saeed Hemayat1, Sina Moayed Baharlou1,2, Alexander Sergienko2
1Department of Electrical and Computer Engineering, University of California San Diego, La Jolla, CA 92093, USA.
Nanophotonics (Berlin, Germany)
|December 5, 2024
概括
这项研究引入了一种新的深度学习框架,用于设计等离子纳米天线,为光学应用程序自动化该过程. 人工智能有效地为所需的性能生成最佳的纳米天线几何形状,使光子设备的开发速度更快.
科学领域:
- 光子学和纳米技术的使用.
- 在工程领域的人工智能.
背景情况:
- 等离子纳米天线对于光通信和集成电路至关重要,但传统的设计理论在光学频率上是不够的.
- 缺少光学天线设计的通用理论,阻碍了快速开发和优化.
- 当前的设计流程往往是手动的,耗时的,限制了创新.
研究的目的:
- 开发一个高效的反向设计框架用于使用多头深卷积神经网络的等离子补丁纳米天线.
- 通过预测所需S11和辐射模式的最佳几何形状,实现纳米天线的自动化,数据驱动的设计.
- 克服传统设计方法的局限性,加快应用特定纳米光子设备的开发.
主要方法:
- 一个多头深卷积神经网络被训练成一个反向设计框架.
- 该网络在考虑制造局限性的数据集上进行训练,以预测纳米天线几何形状.
- 该框架允许进行一对多映射,以生成多样化的设计,并在培训后应用进一步的约束.
主要成果:
- 开发的框架在预测S11和整个设计频谱的辐射模式方面取得了很高的准确性.
- 它可以设计各种天线 (单带,双带,宽带),具有高定向性 (高达11.07dBi) 和辐射效率 (高达75%).
- 该框架作为一个快速的替代解决方案,大大减少了设计时间和复杂性.
结论:
- 提出的深度学习方法代表了塑天线的开创性反向设计网络.
- 这种数据驱动的方法有助于创建高效,可定制的等离子体天线,并精确控制性能指标.
- 该框架在纳米光子设计中带来了变革性的转变,允许实时创建超越天线的特定应用程序设备.
