基于超级细胞的超表面用于任意极化束分裂:基于物理的U-Net设计,具有高灭绝率
Optics express
|November 11, 2025
概括
一种新的深度学习方法设计了超表面光束分割器,用于精确的极化控制. 这种方法使光极化状态的独立操纵成为可能,推进了集成光子学和光通信.
科学领域:
- 光子学和超表面技术
- 在光学领域的人工智能.
背景情况:
- 在光子系统中对先进的极化控制的需求日益增长.
- 超表面为操纵光极化提供了独特的功能.
研究的目的:
- 开发一种深度学习方法,用于设计两极化多重复合的超表面光束分割器.
- 为了实现任意的极化控制,使用超表面设计.
主要方法:
- 一种使用修改的U-Net架构的物理信息启发的深度学习方法.
- 目标远场图案的分解成直角圆形偏振元件.
- 将波传播物理纳入深度学习模型.
主要成果:
- 阶段分布的有效恢复,平均平方误差 (MSE) 为4.3 × 10−3.
- 纳米柱超级细胞设计实现了斯矩阵脱.
- 通过FDTD模拟证明了34.11dB的极化灭绝比和63.91%的传输效率.
结论:
- 拟议的方法为偏振控制装置提供了一个紧而高效的设计框架.
- 通过几何参数和PB相调节,可以独立控制直角极化状态.
- 适用于集成光子学,光通信和量子计算.
