基于物理信息的深度学习在三维光学超表面衍射建模中的应用

hdy

引言

光学超表面作为一种新型的平面光学结构，能够有效调控光的振幅、波前、色散和偏振等特性。这种人工设计的平面结构具有亚波长尺度的特征。传统的数值方法，如时域有限差分法(FDTD)和有限元方法(FEM)，在处理复杂问题时面临计算资源的挑战。本文介绍创新的基于物理信息的神经网络(PINN)方法，可以高效且准确地模拟三维光学超表面的光衍射现象[1]。

1

基于物理信息的神经网络架构

PINN方法将物理定律直接整合到神经网络训练过程中，无需大量训练数据。与传统的数据驱动方法不同，PINN直接从矢量麦克斯韦方程、Floquet-Bloch边界条件和完美匹配层(PML)等物理定律中学习。这种以物理为驱动的方法能够准确模拟近场和远场响应，同时捕捉复杂的偏振效应。

图1展示了PINN训练过程的示意图。三维PINN模型包括为超表面建模而改进的主要U-Net和调谐网络架构。这种架构设计使网络能够有效处理三维空间中的复杂电磁场分布，并通过调谐网络实现对不同物理参数的适应性学习。

2

超表面设计和仿真设置

研究聚焦于可见光范围内由单色平面波照射的透射型超表面。超表面设计由置于二氧化硅(SiO2)衬底上的十字形二氧化钛(TiO2)超原子构成。这些超原子作为亚波长结构单元，可以调控入射光的各种特性。在实际设计中，超原子的尺寸、形状和排列方式都经过精心优化，以实现特定的光学功能。

图2显示了仿真设置，展示了置于二氧化硅衬底上的十字形二氧化钛超原子，包括详细的几何参数和材料特性。这种设计通过调控超原子的几何参数，实现了对入射光的有效调制。

3

近场分析和偏振效应

PINN模型成功捕捉了光与超表面相互作用时的复杂近场相互作用和偏振效应。矢量公式使模型能够预测所有电场分量，揭示了不同场分量之间的部分偏振转换等现象。超表面结构与入射光的相互作用产生了丰富的近场效应，包括场增强、相位调制和偏振态转换等。

图3展示了在x线性偏振(XLP)照明下的总电场近场振幅分布，显示了不同场分量之间的转换。通过仔细分析电场分布，可以清晰地观察到超原子边缘和角落处的场增强效应。

图4呈现了总电场分量Ex的近场相位分布，展示了超表面结构引起的相位变形。相位分布图揭示了超表面对入射光波前的调控能力。

4

远场响应和参数研究

PINN方法能够快速探索各种参数对超表面光学响应的影响。通过改变超原子几何形状、照明角度和工作波长，可以全面研究超表面的光学特性。这种参数化研究对于设计和优化特定应用的超表面结构具有重要意义。

图5显示了十字臂宽度对透射远场中0级衍射级相位的影响仿真结果，分别针对XLP和YLP照明，展示了模型预测偏振相关行为的能力。这种分析有助于理解结构参数与光学响应之间的关系。

图6呈现了在不同入射角下计算的远场指标，展示了斜照射如何影响超表面的光学响应。这种研究对于设计大角度工作的光学器件特别重要。

图7展示了在不同波长下计算的远场指标，证明了模型处理多色光效应的能力。这种分析对于开发宽带光学器件具有重要参考价值。

5

性能和优势

PINN方法在计算效率方面表现出色，训练完成后可在毫秒级时间内模拟多个输入配置，比常规数值求解器快10,000倍。该方法直接从物理定律学习，无需大量训练数据集，同时保持了较高的计算精度。矢量公式的采用使模型能够准确模拟复杂的光学效应，包括偏振转换和近场耦合现象。这些优势使PINN成为超表面研究和设计的有力工具。

6

未来发展方向

PINN方法在三维卷积运算方面仍面临训练时间长和GPU内存消耗大的挑战。未来的研究将致力于优化计算效率，提高分辨率，扩大仿真范围。同时，该方法在光束转向和波前整形等实际应用中的反向设计和拓扑优化方面也有广阔的应用空间。

7

结论

基于物理信息的神经网络为光学超表面建模提供了强大的新方法。通过将物理原理与深度学习架构相结合，PINN能够快速准确地预测复杂的光学响应，同时保持物理一致性。这种方法为高效设计和优化先进光学器件提供了新的研究思路。