基于卷积神经网络的深度学习生成的六角衍射网格,用于抑制高阶衍射

科学领域:

• 光学和光子学 在光学和光子学.
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 传统的衍射网格与非单色光扎,导致叠加的更高阶衍射,使光谱分析复杂化.
• 现有的光谱解码方法因存在不必要的衍射顺序而受到阻碍,影响精度和效率.

研究的目的:

• 设计和演示单级衍射网格,称为六角衍射网格 (HDGs),能够抑制更高阶衍射.
• 利用深度学习算法,特别是卷积神经网络,精确设计和检索HDG的参数.

主要方法:

• 开发一个卷积神经网络 (CNN) 模型,用于设计具有正弦传输率的高强度网络.
• 训练CNN准确地确定HDG功能必需的结构参数.
• 进行模拟和实验验证,以评估设计的HDG的衍射抑制能力.

主要成果:

• 设计的HDG有效地抑制了更高阶的衍射,特别是第三阶以上的衍射.
• 与第一级衍射相比,第三级衍射的强度从20%显著降低到背景水平以下.
• 该CNN模型在检索HDG制造所需的结构参数方面表现出高精度.

结论:

• 六角衍射网格为在光谱分析中抑制高阶衍射提供了一种新的解决方案.
• 深度学习的整合加快了先进光学组件 (如HDDG) 的设计和优化.
• HDG显示出在要求高的领域 (如同步子辐射,天体物理学和软X射线激光器) 增强光谱解码的显著前景.