概括
这项研究引入了一种人工神经网络 (ANN),用于快速设计芯片上极度测量探测器的亚波长网格 (SWG). 该ANN显著加快了设计过程,在几分钟内以高精度实现最佳结构.
科学领域:
- 光子学是指光子学的使用方法.
- 纳米技术纳米技术
- 人工智能的人工智能
背景情况:
- 设计用于芯片上的极度测量探测器的亚波长网格 (SWGs) 是复杂且耗时的.
- 像试错这样的传统方法在计算上昂贵,劳动密集.
- 集成光子设备的高效设计对于先进的光学系统至关重要.
研究的目的:
- 开发一种人工神经网络 (ANN),用于加速光谱预测和基于SWG的偏振探测器的设计.
- 为了证明ANN在实现高性能,按需集成光子设备设计方面的能力.
主要方法:
- 构建用于光谱预测的人工神经网络 (ANN) 模型.
- 利用按需的整体匹配来实现最佳的SWG结构识别.
- 基于ANN的设计时间与传统的有限差异时间域 (FDTD) 方法的比较.
主要成果:
- 该ANN实现了高预测准确度,所有输出的确定系数>0.94.
- 设计过程加速了10^4倍,在300秒内设计出最佳结构.
- 由此产生的SWG结构显示了>87%的TM传输率和65dB的灭绝比在中间波段.
结论:
- 拟议的ANN显著加速了高性能极化探测器的设计.
- 这种方法为按需集成光子设备设计提供了一个计算效率高,准确的方法.
- 这些发现具有很大的潜力,可以促进集成光学系统的发展.
更多相关视频
09:38Fabrication Procedures and Birefringence Measurements for Designing Magnetically Responsive Lanthanide Ion Chelating Phospholipid Assemblies
Published on: January 3, 2018
7.3K
12:08Fabrication of High Contrast Gratings for the Spectrum Splitting Dispersive Element in a Concentrated Photovoltaic System
Published on: July 18, 2015
10.8K
