可重新配置的元表面的高精度反向设计,具有传输-反射集成的无色功能
Xiao-Qiang Jiang1,2, Wen-Hui Fan1,2,3, Xu Chen1,2
1State Key Laboratory of Transient Optics and Photonics, Xi'an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi'an 710119, P.R. China.
Nanophotonics (Berlin, Germany)
|April 11, 2025
概括
深度神经网络 (DNN) 通过使用多极分解和转移学习来增强用于设计复杂的元表面. 这提高了创建多功能太赫兹设备的准确性,例如用于成像的设备.
科学领域:
- 在Metasurfaces上使用.
- 特拉赫兹 (THz) 技术的使用.
- 人工智能 (AI) 是一种人工智能.
背景情况:
- 深度神经网络 (DNN) 越来越多地用于超表面设计.
- 超表面的复杂性和尖的共振对DNN训练准确性构成挑战.
- 开发多功能元表面需要克服DNN预测错误.
研究的目的:
- 调查高质量数据集的交互机制,以提高DNN性能.
- 采用转移学习来减少DNN培训数据要求.
- 为了实现宽带的反向设计,传输-反射集成可重新配置的元表面.
主要方法:
- 多极分解来分析元原子和THz波相互作用.
- 创建一个高质量的数据集,以减少DNN的复杂性和提高准确性.
- 应用转移学习来最大限度地减少对DNN的训练数据需求.
主要成果:
- 成功逆向设计了两个宽带,传输反射集成的可重新配置的元表面.
- 在0.7-1.3 THz范围内实现了无色表现,分数误差<10^-4.
- 已证明的平均聚焦效率> 48%和模式纯度> 92%.
结论:
- 为多功能元设备开发了一种高精度的反向设计方法.
- 超表面使宽带无色聚焦,THz成像和边缘检测成为可能.
- 这种方法有望在芯片上THz成像系统的进步.
