深度学习辅助纳米光子技术反向设计

hdy

引言

深度学习与纳米光子技术的结合为设计先进光学器件提供了新方法。本文探讨深度学习如何协助反向设计过程，重点介绍关键架构和应用[1]。

1

理解反向设计挑战

在纳米光子技术中，器件可以通过两个基本方面来表征：设计参数(x)和光学响应(y)。设计参数包括几何形状、材料特性和入射光配置。光学响应包括透射谱、场分布和辐射模式。

图1展示了纳米光子器件中设计参数(左)和光学响应(右)的关系。左侧显示几何参数如厚度和直径，右侧显示各种光学响应，包括透射谱和辐射模式。

反向设计的挑战来自于非唯一性问题 - 多个不同的结构可能产生相似的光学响应。这使标准神经网络在训练过程中难以收敛。

为解决这个非唯一性问题，研究人员开发了几种方法：

图2展示了解决反向设计中非唯一性问题的各种方法：(a)展示非唯一性如何使神经网络混淆，(b)显示串联架构解决方案，(c)说明混合密度网络方法，(d)展示条件生成对抗网络解决方案。

2

用于反向设计的深度学习架构

串联网络

有效的解决方案是将两个神经网络级联成串联架构。第一个网络处理反向设计，而第二个预训练网络作为固定权重的模拟器。这种方法有助于解决训练过程中的梯度冲突问题。

图3展示了串联网络的效果：(a)显示直接神经网络的性能不佳，(b)说明串联架构，(c,d)展示测试和假设情况下成功的反向设计结果。

生成模型

条件生成对抗网络(cGAN)为反向设计提供了另一种强大方法。生成器学习产生设计，而判别器评估其真实性。添加模拟器有助于确保物理可行性。

图4展示了用于光子反向设计的条件GAN结构，包含用于基于物理验证的模拟器。

图5展示了cGAN的性能：(a)比较原始和生成的图案，(b-e)显示测试案例和先前未见设计的相应光学响应。

3

纳米光子设计应用

多层结构

多层光子结构是深度学习方法的理想测试平台，因为其参数明确且具有分析解。这些结构可以通过干涉效应创造复杂的光学响应。

图6比较了分布式布拉格反射器设计的目标和实现反射谱，展示了基于深度学习的反向设计的准确性。

4

热发射器

高级应用包括为光伏应用设计热发射器。这些器件需要精确控制发射谱以匹配太阳能电池特性。

图7说明了(a)光伏应用的理想热发射概念，(b)优化结构设计，以及(c,d)不同优化方法之间的性能比较。

5

深度学习辅助优化

最新发展将深度学习与传统优化技术（如拓扑优化）相结合。这种混合方法利用了两种方法的优势 - 深度学习的速度和拓扑优化的准确性。

图8展示了(a)结合深度学习和基于物理优化的全局拓扑优化网络架构，以及(b,c)传统优化和神经网络辅助优化之间的性能比较。

6

结论展望

深度学习在纳米光子技术反向设计中的应用已经取得显著进展。尽管神经网络的准确度无法超过用于生成训练数据的模拟工具，但相比传统优化方法需要数小时或数天，神经网络可在毫秒级别产生设计方案，为快速原型设计和设计空间探索提供了新途径。

混合方法的成功表明了有效发展方向。如图8所示的GLOnet架构证明了这种方法可以获得优于单独使用任一方法的结果。

未来的关键挑战包括建立类似于图像处理MNIST数据集的综合光子设计数据库，以提供标准化基准。同时，提高神经网络决策的可解释性将有助于弥合数据驱动和基于物理方法之间的差距。

参考文献

[1] K. Yao and Y. Zheng, "Nanophotonic Devices and Platforms," in Nanophotonics and Machine Learning, Springer Series in Optical Sciences vol. 241, Cham: Springer Nature Switzerland AG, 2023.

END