超越特定应用设计:用于TiO₂/GaN纳米光子超表面的光学属性预测的通用深度学习框架

科学领域:

• 光学和光学
• 材料科学
• 人工智能

背景情况:

• 金属镜头提供精确的光聚焦,超过传统的曲线镜头.
• 设计金属透镜需要对元原子配置进行广泛的代分析.
• 目前的设计流程往往耗时且效率低下.

研究的目的:

• 开发基于人工智能的框架来预测金属透镜的光学反应.
• 加速设计和优化相梯度光学装置的元原子.
• 减少在金属开发中的费力试错的需要.

主要方法:

• 使用在化 (GaN) 和二氧化 (TiO2) 纳米柱的广泛数据集上训练的转移学习模型.
• 使用人工智能预测纳米棒的复杂传输和相位反应.
• 通过实验测量透射率和折射率验证了数据集的准确性.

主要成果:

• 在低平均平方误差 (MSE) 值 (2.3 × 10−6 和 1.31 × 10−5) 预测振幅和相位响应方面取得了高准确性.
• 对不同直径 (20 μm 和 100 μm) 的平面金属镜头进行有效的聚焦性能.
• 展示了AI框架在600-700nm波长范围内预测光学性能的能力.

结论:

• 人工智能框架通过预测元原子反应来显著简化金属的设计.
• 由人工智能生成的参数化数据集可以加速各种光学组件的开发.
• 这种方法减少了繁的实验分析,为更高效的光学设备工程铺平了道路.