纳米图案化光子器件的优化是一个活跃的研究领域，已经提出了多种优化方法。例如，直接二进制搜索( direct binary search，DBS ) 、遗传算法、和粒子群算法等已被用于各种优化应用；各自显示出独特的优势。然而，所有这些方法通常涉及大量的时间和计算资源。本文提出了一种新颖的用于设计纳米图案化集成光子器件的条件变分自编码器( CVAE )模型。特别地，通过对抗删减和主动学习可以显著提高CVAE模型的预测能力（图c d）。VAEs允许我们对不同分束比的纳米图案化功分器的分布进行建模。因此，VAE可以使用变分数据采样生成服从相同分布的新模式。当条件(即光学响应)与潜变量一起提供时，VAE演变成CVAE，从而能够生成满足给定目标光学响应的图案。对于任意功率分束应用，我们已经包含了不同的孔尺寸来定义纳米图案化功率分束器的几何结构（图a b）。这样，所产生的功分器可以通过改变每个孔位置的相位控制和振幅控制，通过为孔确定一个半径，使其在导波入射光束时具有额外的控制参数。此外，还演示了具有任意分束比的纳米图案化功分器的生成，以及从1250到1800 nm的550 nm宽带光学响应。以尺寸为2.25 × 2.25 μ m2、刻蚀孔位置为20 × 20的纳米图形功分器为设计空间，每个刻蚀孔的位置假设为半径的一个范围。使用本文提出的方法设计的纳米图案化功分器在从1250到1800 nm的工作带宽内显示出约90 %的总透射率（图e）。据作者所知，这是首次将最先进的CVAE深度神经网络模型成功用于设计物理设备。
DY. Tang, K. Kojima, T. Koike‐Akino, Y. Wang, P. Wu, Y. Xie, M. H. Tahersima, D. K. Jha, K. Parsons, M. Qi, Generative Deep Learning Model for Inverse Design of Integrated Nanophotonic Devices. Laser & Photonics Reviews 14, 2000287 (2020).
报告人： 付朋
