概括
本研究介绍了一种机器学习方法,用于设计光学旋元面. 该方法有效地使用单个元表面生成复杂的束,实现高精度和降低计算成本.
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:
- 束对于芯片上光学设备至关重要.
- 复杂的束生成的当前方法通常需要堆叠多个元表面,增加设计复杂性.
- 机器学习为微结构设计提供了新的可能性.
研究的目的:
- 开发一种单一的超表面,能够产生复杂的束.
- 为了利用机器学习来逆向设计多功能光学的 metasurfaces.
- 提高超表面设计中的计算效率.
主要方法:
- 使用斯矩阵生成矢量束和标量的条件的推导.
- 使用多极扩展和结构评估函数 (SEF) 的前设计.
- 逆向设计使用扰乱后向传播 (PBP) 神经网络与前向设计数据的子集.
主要成果:
- 在超表面设计中实现了98.7%的准确性.
- 与传统的前设计相比,计算资源减少了约50%.
- 成功设计了一个超表面,能够产生标量和向量束.
结论:
- PBP神经网络使多功能光旋元面的有效反向设计成为可能.
- 一个单一的超表面可以产生复杂的束,简化了芯片上设备的设计.
- 机器学习显著推进了光学超表面的设计.
