传统的超表面器件设计依赖于试错法来获得目标的电磁( EM )响应,这种方法需要花费大量的精力来研究大量可能的超原子结构。本文介绍了一种深度学习建模方法,我们的神经网络方法克服了以往基于神经网络的设计方案有限的两个关键挑战:输入/输出向量尺寸失配和准确的电磁波相位预测。此外,这是第一个用于表征三维介电结构的神经网络。通过与优化算法或神经网络相结合,该方法可以通用地应用于整个电磁频谱范围内的各种超表面器件设计。研究内容:本文提出了一种基于深度神经网络(DNN)的数据驱动方法,用于全介质超表面(all-dielectric metasurface)的快速、准确建模与逆向设计。正向建模:构建了一个预测神经网络(PNN),用于快速预测3D全介质超原子(meta-atom)的复透射系数(包括幅度与相位)。逆向设计:基于PNN,设计了多个目标驱动的逆向设计网络。创新点:首次实现3D全介质超原子的幅度与相位同时预测,解决了以往方法只能预测幅度或相位不准的问题。通过预测复透射系数的实部与虚部,避免了输入参数少、输出频谱点多的维度不匹配问题。不仅适用于圆柱形超原子,还成功扩展至H形、自由形等复杂结构。结论:PNN在测试集上对幅度和相位的预测误差均低于1%,远优于传统插值方法与已有DNN模型。该方法不局限于特定频段或结构,可推广至红外、可见光甚至微波频段,适用于透镜、滤波器、波束偏转器、可重构器件等多种功能器件设计。
文献来源:Sensong An, Clayton Fowler, Bowen Zheng, Mikhail Y. Shalaginov, Hong Tang, Hang Li, Li Zhou, Jun Ding, Anuradha Murthy Agarwal, Clara Rivero-Baleine, Kathleen A. Richardson, Tian Gu, Juejun Hu, and Hualiang Zhang,ACS Photonics 2019 6 (12), 3196-3207
报告人:王艺