Direktes monolithisches Feld-zu-Muster-Design einer holografischen Metaoberfläche

Metaoberflächen als zweidimensionale Metamaterialien zeigen eine faszinierende Fähigkeit zur elektromagnetischen (EM) Modulation innerhalb einer Subwellenlängenskala und eröffnen einen neuen Weg zur Manipulation der Eigenschaften von EM-Wellen in einer Ebene. Aufgrund der flexiblen Modulation von EM-Wellen haben Metaoberflächen eine Reihe bezaubernder Anwendungen hervorgebracht, wie z. B. perfekte Absorber, Tarnvorrichtungen, planare Metalinsen und Metahologramme.

Die Entstehung von Metaoberflächen weist außergewöhnliche Fähigkeiten bei der Entwicklung und Verbesserung optischer und Mikrowellengeräte auf. Es entstehen viele faszinierende Arbeiten, die das Design und die Anwendung von Hologrammen stark bereichert haben. Gemäß dem Informationsmodulationsmodus kann die Metaoberflächen-Holographie grob in drei Kategorien unterteilt werden: Nur-Phasen-, Nur-Amplituden- und komplexe Amplituden-Metaoberflächen-Holographie.

Bei herkömmlichen Hologrammdesigns werden die Phasen- und Amplitudenverteilungen der Metaoberfläche basierend auf der Huygens-Fresnel-Theorie abgeleitet, und dann wird die Zielhologrammverteilung gefüllt, indem Metaoberflächenelemente mit einer bestimmten EM-Antwort entworfen werden, um das Design der Metaoberfläche zu vervollständigen.

Aufgrund der Kopplung zwischen Elementen und des Fehlers von Elementen unterscheiden sich die theoretischen Ergebnisse der Beugungstheorie jedoch geringfügig von den tatsächlichen. Daher ist eine weitere numerische Simulation erforderlich, um das Hologramm zu verifizieren, was Rechenressourcen verbraucht und die Komplexität des Designs erhöht.

Daher wird die Vereinfachung des traditionellen Designprozesses die Designeffizienz von Metaoberflächen weiter verbessern. Die Popularisierung des maschinellen Lernens im Bereich des Materialdesigns bietet eine neue Möglichkeit, das Design von Metaoberflächen zu vereinfachen. In den letzten Jahren wurde maschinelles Lernen in großem Umfang für das Design und die Anwendung von Metaoberflächen eingesetzt.

Beim Metaoberflächendesign werden die gebräuchlichsten Designmethoden auf Mikrostrukturebene angewendet, einschließlich Forward-Design und Inverse-Design der Metaoberfläche, d. h. die EM-Reaktion kann direkt aus der Struktur abgeleitet werden, und geometrische Parameter können aus dem EM-Spektrum abgeleitet werden.

Maschinelles Lernen beschleunigt effektiv die Entwurfseffizienz von Metaoberflächen, indem es den Simulationsprozess ersetzt. Herkömmliche Verfahren befassen sich jedoch hauptsächlich mit der Optimierung der EM-Antwort der Zellen, und die optimierten Zellen werden gemäß der angegebenen Verteilung angeordnet, um die angegebene Funktion zu erreichen, was bedeutet, dass die Kopplung zwischen den Zellen ignoriert wird.

Somit können Metaoberflächen aus makroskopischer Perspektive entworfen werden. Durch Analysieren der räumlichen Verteilung des lokalen Felds kann das interne Gesetz des lokalen Felds genau erforscht und die Abbildungsbeziehung zwischen dem lokalen Feld und dem Modulator rekonstruiert werden. Daher können die Entwurfseffizienz und -präzision der Metaoberfläche weiter verbessert werden, indem die Verteilung des elektrischen Felds aus einer makroskopischen Perspektive analysiert und die Metaoberflächenstruktur durch maschinelles Lernen monolithisch erzeugt wird.

Holographische Metaoberflächen mit komplexer Amplitude (CAHMs) mit der Flexibilität bei der Modulation von Phasen- und Amplitudenprofilen wurden verwendet, um die Ausbreitung der Wellenfront mit einem beispiellosen Niveau zu manipulieren, was zu einer höheren Bildrekonstruktionsqualität im Vergleich zu ihren natürlichen Gegenstücken führte.

Die vorherrschenden Designmethoden von CAHMs basieren jedoch auf der Huygens-Fresnel-Theorie, der Metaatomoptimierung, der numerischen Simulation und der experimentellen Verifizierung, was zu einem Verbrauch von Rechenressourcen führt. Hier wandten die Forscher Prof. Wang und Prof. Qu von der Air Force Engineering University ein konvolutionelles neuronales Residual-Encoder-Decoder-Netzwerk an, um die elektrischen Feldverteilungen direkt abzubilden und Bilder für das monolithische Metaoberflächendesign einzugeben.

Ein vortrainiertes Netzwerk wird zunächst durch die durch Beugungstheorie berechneten elektrischen Feldverteilungen trainiert, das anschließend als Transfer-Lernrahmen migriert wird, um die simulierten elektrischen Feldverteilungen und Eingabebilder abzubilden. Die Trainingsergebnisse zeigen, dass der normalisierte mittlere Pixelfehler im Datensatz etwa 3 % beträgt.

Zur Verifizierung werden die Metaoberflächen-Prototypen hergestellt, simuliert und gemessen. Das rekonstruierte elektrische Feld der rekonstruierten Metaoberfläche weist eine hohe Ähnlichkeit mit dem elektrischen Zielfeld auf, was die Effektivität unseres Designs demonstriert. Erfreulicherweise bietet diese Arbeit eine monolithische Field-to-Pattern-Designmethode für CAHMs, die einen neuen Weg für die direkte Rekonstruktion von Metaoberflächen ebnet.

Die Arbeit wird in der Zeitschrift veröffentlicht Optoelektronische Fortschritte.