Die Modulation elektromagnetischer (EM) Wellenfronten ist sowohl in der wissenschaftlichen Forschung als auch in industriellen Anwendungen von großer Bedeutung. Bei herkömmlichen dielektrischen Materialien ist die Auswahl an Dielektrizitätskonstanten jedoch begrenzt. Darüber hinaus sind große Abmessungen und komplexe Formen erforderlich, um genügend Ausbreitungsphase anzusammeln und gezielte Funktionen zu realisieren.
In den letzten Jahren haben zweidimensionale (2D) planare Materialien, sogenannte Metaoberflächen, herausfordernde Probleme herkömmlicher optischer Geräte gelöst. Metaoberflächen verfügen über künstlich einstellbare EM-Reaktionen. Ein traditionelles Metaoberflächendesign basiert auf Vorwärtsvorhersagemethoden. Zur Vorhersage der optischen Eigenschaften werden Finite-Elemente-Methoden oder Finite-Differenzen-Zeitbereichsmethoden verwendet.
Normalerweise wird eine Elementarzelle mit einer periodischen Grenze simuliert. Anschließend werden weitere Elementarzellen zu einem großflächigen System zusammengefasst. Ein solcher Prozess ist zeitaufwändig und die entworfenen Metaatome haben Schwierigkeiten, ideale optische Reaktionen zu erzielen. Aufgrund der Verwendung periodischer Randbedingungen beim Meta-Atom-Design und aperiodischer Randbedingungen beim Array-Simulationsprozess führt die gegenseitige Kopplung zwischen verschiedenen Meta-Atomen zu unvermeidlichen Ungenauigkeiten.
In einem kürzlich veröffentlichten Übersichtsartikel in Lichtwissenschaft und Anwendungein Team von Wissenschaftlern der Technischen Universität Delft, Niederlande, fasst ein intelligentes Metaoberflächendesign zusammen, das Vorwärts- und Rückwärtsalgorithmen kombiniert und eine Lösung zur Überwindung der Probleme bietet, mit denen herkömmliche Metaoberflächen konfrontiert sind.
Im Vergleich zu herkömmlichen Optimierungsalgorithmen kann maschinelles Lernen unbekannte Probleme vorhersagen, indem komplexe Beziehungen zwischen Modellvariablen und optischen Eigenschaften aus großen bekannten Datensätzen gelernt werden. Diese Strategie kann die Rechenzeit eines Metaoberflächenentwurfs erheblich verkürzen, indem sie eine umfassendere und systematischere Optimierung der Metaoberflächeneigenschaften ermöglicht.
Darüber hinaus werden durch die Verwendung tiefer Optik- und Photoniktheorie (z. B. rigorose gekoppelte Wellenanalyse, RCWA) mit fortschrittlichen Optimierungsalgorithmen (z. B. automatische Differenzierung, AD) Parameter angepasst und neu bewertet, um das Endziel effizienter zu erreichen. Diese Methode wird Topologieoptimierung genannt. Es weist erhebliche Vorteile hinsichtlich physikalischer Genauigkeit, Rechenzeit und Freiheitsgraden auf.
Die Wissenschaftler fassen zusammen: „Das Grundprinzip des Flussdiagramms des maschinellen Lernansatzes für das Metaoberflächendesign lautet wie folgt: Für eine einfache Struktur können Datensätze der EM-Reaktion mithilfe von Vorwärtslösealgorithmen mit einer Vielzahl von Parameterkombinationen als Eingabe erhalten werden. Diese Datensätze.“ kann dann verwendet werden, um ein tiefes neuronales Netzwerk zu trainieren, das die EM-Antwort berechnen kann, wenn es mit dem Input versorgt wird.“
„Dies wird als Vorwärtsnetzwerk bezeichnet. Durch denselben Trainingsprozess wird auch ein inverses Netzwerk erhalten. Das inverse Netzwerk unterscheidet sich dadurch, dass die Eingabe die gewünschte Antwort und die Ausgabe die Geometrieparameter der Struktur sind. Die optimierten Lösungen.“ kann auch mithilfe von Vorwärtslöser-Algorithmen ausgewertet werden, um festzustellen, ob die Antwort akzeptabel ist.
„Das Grundprinzip für physikinformierte neuronale Netze besteht darin, Informationen über die physikalischen Gesetze, wie etwa die Maxwell-Gleichungen oder eine andere partielle Differentialgleichung (PDE), in neuronale Netze einzufügen Verlustfunktion des Frameworks.
„Eine Metaatomstruktur, die ein komplexes Design und mehrere Parameter aufweist, führt im Vergleich zu früheren Methoden zu einem größeren Freiheitsgrad. Datensätze werden durch Simulation der Struktur durch einen Vorwärtslöser erhalten, jedoch unter Einbeziehung physikalischer Gesetze wie „Durch die Integration der Maxwell-Gleichungen und EM-Randbedingungen in die neuronalen Netze wird die erforderliche Datensatzgröße reduziert, was zu einer erheblichen Reduzierung der Rechenzeit führt. Der verbleibende Entwurfsprozess entspricht der Methode des maschinellen Lernens“, fügten sie hinzu.
Die Wissenschaftler fahren fort: „Die oben genannten Methoden können auf das Design anderer optischer Geräte wie photonische Kristalle, optische Hohlräume und integrierte photonische Schaltkreise ausgeweitet werden. Intelligente Metaoberflächen sind eine rasante Entwicklungsrichtung und haben wichtige Anwendungsaussichten in mehreren neuen revolutionären Bereichen. insbesondere im Bereich der Quantenoptik.“
Mehr Informationen:
Wenye Ji et al., Jüngste Fortschritte im Metaoberflächendesign und in Quantenoptikanwendungen mit maschinellem Lernen, physikinformierten neuronalen Netzen und Methoden zur Topologieoptimierung, Licht: Wissenschaft und Anwendungen (2023). DOI: 10.1038/s41377-023-01218-y