积极学习以实现高效的纳米光子反向设计在大型和多样化的设计空间

科学领域:

• 纳米光子学和元表面设计
• 计算电磁学 计算机电磁学
• 机器学习用于科学

背景情况:

• 现代纳米制造为光学超表面提供了多样化的形状,但针对特定光学响应优化设计是具有挑战性的.
• 当前的深度学习反向设计方法往往局限于受限制的设计空间,阻碍了扩展到完全的制造能力.
• 训练广泛的设计空间的深度学习模型是困难的,因为一般化问题.

研究的目的:

• 探索主动学习技术,用于样本效率模型培训在替代驱动的反向设计的光学元表面.
• 为解决复杂的超表面结构的基于深度学习的反向设计的可扩展性挑战.
• 为了在更广泛的可访问形状,厚度和距离范围内实现反向设计.

主要方法:

• 在反向设计中利用主动学习进行样本效率模型培训.
• 采用替代驱动优化用于周期光学元表面.
• 研究了36个不同的形状类,其厚度和斜率各不相同.

主要成果:

• 积极学习的表现与随机数据集训练模型的表现相当.
• 在培训数据集生成方面,表现出显著的减少 (高达82%).
• 展示了各种光谱波器优化任务的反向设计能力.
• 在单个反向设计运行中提供多个设计解决方案.

结论:

• 积极学习是一种强大的,模型不可知的技术,用于降低基于深度学习的反向设计中的数据要求.
• 这种方法显著提高了对光学元表面逆设计的可扩展性,使其更大,更复杂的设计空间.
• 通过先进的纳米制造设计,便于高效地探索各种光学功能.