电磁(EM)波前调制在科学研究和工业应用中都具有重要意义。然而，传统介电材料的介电常数选择有限。此外，需要大尺寸和复杂形状来积累足够的传播相位以实现目标功能。

近年来，二维(2D)平面材料(称为超表面)已经解决了传统光学器件遇到的挑战性问题。超表面具有人工可调的电磁响应。传统的超表面设计依赖于前向预测方法。有限元方法或有限差分时域方法用于预测光学特性。

通常，晶胞是用周期性边界来模拟的。然后更多的单元格组合起来形成一个大面积的系统。这样的过程非常耗时，并且设计的元原子很难实现理想的光学响应。由于元原子设计中采用周期性边界条件，而阵列模拟过程中采用非周期边界条件，不同元原子之间的相互耦合导致不可避免的误差。

荷兰代尔夫特理工大学的科学家团队在近期发表在《LightScience&Application》上的一篇综述论文中，总结了一种结合正向和反向算法的智能超表面设计，为克服传统超表面遇到的问题提供了解决方案。

与传统的优化算法相比，机器学习可以通过从大型已知数据集中学习模型变量和光学特性之间的复杂关系来预测未知问题。该策略可以通过为超表面特性提供更​​全面、更系统的优化来显着减少超表面设计的计算时间。

此外，通过使用深度光学和光子学理论(例如严格耦合波分析，RCWA)和先进的优化算法(例如自动微分，AD)，调整和重新评估参数以更有效地达到最终目标。这种方法称为拓扑优化。它在物理精度、计算时间和自由度方面显示出显着的优势。

科学家们总结道，“用于超表面设计的机器学习方法的基本原理流程图如下：对于简单的结构，可以使用正向求解器算法以多种参数组合作为输入来获得电磁响应的数据集。然后这些数据集可以用于训练深度神经网络，深度神经网络可以在提供输入时计算电磁响应。”

“这被称为前向网络。通过相同的训练过程，还获得了逆网络。逆网络的不同之处在于输入是期望的响应，输出是结构的几何参数。优化的解决方案也可以使用前向求解器算法进行评估，以确定响应是否可以接受”

“物理信息神经网络的基本原理是将物理定律的信息(例如麦克斯韦方程组或其他偏微分方程(PDE))添加到神经网络中。该操作可以通过将PDE控制数据集合并到框架的损失函数中来实现。”

他们补充道：“元原子结构具有复杂的设计和多个参数，与以前的方法相比，自由度更大。数据集是通过前向求解器模拟结构获得的，但通过将麦克斯韦方程组和电磁边界条件等物理定律纳入神经网络，所需的数据集大小减少，从而导致计算时间显着减少。剩下的设计过程与机器学习方法一致。”

科学家们继续说道：“上述方法可以扩展到其他光学器件的设计，例如光子晶体、光腔和集成光子电路。智能超表面是一个快速发展的方向，在几个新的革命性领域，特别是在量子光学领域具有重要的应用前景。”

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：表面方法光学