深度神经网络启用了活跃的超表面嵌入式设计
Sensong An1, Bowen Zheng2, Matthew Julian3
1Department of Materials Science & Engineering, Massachusetts Institute of Technology, Cambridge 02139, MA, USA.
Nanophotonics (Berlin, Germany)
|December 5, 2024
概括
我们开发了一种深度学习方法,用于设计活性光子设备. 这种方法简化了计算,并使可调节过器和其他光学元件的精确,客观驱动的设计成为可能.
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.
- 科学设计中的人工智能
背景情况:
- 活跃的超表面提供可调节的光学特性,但它们的设计是计算密集的.
- 传统的设计方法在积极光子设备的复杂,客观驱动的优化方面扎.
研究的目的:
- 引入一种新的深度学习框架,用于前进建模和反向设计具有活跃元表面的光子设备.
- 为了证明超表面设计的计算开销显著减少.
- 为了促进复杂的光子功能的准确,客观驱动的设计.
主要方法:
- 结合基于神经网络的超表面设计与散射矩阵优化.
- 使用一个相变材料 (Ge2Sb2Se4Te - GSST) 集成到一个加热器顶部的 metasurface.
- 在设备制造中使用分布式布拉格反射器 (DBR).
主要成果:
- 在中波红外频谱中成功设计了一种可连续调节的带通波器.
- 实现了狭窄的传输带 (∼10 nm),高质量因子 (Q-因子∼10 ^ 2),以及大量的带外排斥 (光密度≥3).
- 证明了计算开销的简化和准确的目标驱动设计.
结论:
- 拟议的深度学习方法为设计活性光子设备提供了一种高效准确的方法.
- 这种通用方法适用于广泛的光子设备,其中包括活跃的元表面.
- 该技术显著提高了创建可调和可重新配置的光学组件的能力.


