基于梯度的高效地表表面优化,朝着波长极化多重复合的极限发展
Yanjun Bao1, Hongsheng Shi1, Rui Wei1
1Guangdong Provincial Key Laboratory of Nanophotonic Manipulation, Institute of Nanophotonics, College of Physics and Optoelectronic Engineering, Jinan University, Guangzhou 511443, China.
Nano letters
|April 3, 2025
概括
本研究介绍了一种高效的深度神经网络 (DNN) 方法,用于在元表面中同时进行极化和波长复杂化. 该技术实现了用于图像识别的高容量复合,为光学元件设计设定了新的基准.
科学领域:
- 超表面是指表面上的元表面.
- 光学工程是指光学工程.
- 计算光子学 计算光子学
背景情况:
- 超表面通过极化和波长复杂化来提高容量.
- 同时实现技术和计算效率的极限仍然具有挑战性.
- 现有的方法在复杂任务的计算需求方面扎.
研究的目的:
- 开发一种计算效率高的方法,用于元表面的同时极化和波长复杂化.
- 使用深度神经网络 (DNN) 实验验证基于梯度的优化算法.
- 为了证明高级光学应用的高容量多重复合.
主要方法:
- 开发了一个基于梯度的优化算法,由深度神经网络 (DNN) 提供动力.
- 实现了为9个多重频道 (3波长×3极化) 实现单层元表面.
- 利用DNN进行高效的反向设计.
主要成果:
- 实现了高计算效率的同时偏振和波长复杂化极限.
- 在单层元表面上展示了九个多重道.
- 在模拟中达到96%的分类准确度,在实验中达到91.5%,用于36类图像识别任务.
结论:
- 基于DNN的方法可以高效地在元表面进行高容量的多重复合.
- 这种方法克服了以前复杂化技术的计算局限性.
- 在先进的光学元件中为基于梯度的反向设计设定了一个新的基准.


