Les métasurfaces, en tant que métamatériaux bidimensionnels, affichent une capacité fascinante de modulation électromagnétique (EM) dans une échelle de sous-longueur d’onde, ouvrant une nouvelle façon de manipuler les propriétés de l’onde EM dans un plan. En raison de la modulation flexible des ondes électromagnétiques, les métasurfaces ont engendré un certain nombre d’applications enchanteresses, telles que des absorbeurs parfaits, des dispositifs de camouflage, des méta-lentilles planaires et des méta-hologrammes.
L’émergence de la métasurface présente des capacités extraordinaires dans le développement et l’amélioration des dispositifs optiques et micro-ondes. De nombreux travaux fascinants voient le jour, ce qui a grandement enrichi la conception et l’application des hologrammes. Selon le mode de modulation de l’information, l’holographie de métasurface peut être grossièrement divisée en trois catégories : l’holographie de métasurface à phase seule, à amplitude seule et à amplitude complexe.
Dans les conceptions d’hologrammes traditionnels, les distributions de phase et d’amplitude de la métasurface sont dérivées sur la base de la théorie de Huygens-Fresnel, puis la distribution de l’hologramme cible est remplie en concevant des éléments de métasurface avec une réponse EM spécifiée pour compléter la conception de la métasurface.
Cependant, en raison du couplage entre les éléments et de l’erreur des éléments, les résultats théoriques de la théorie de la diffraction sont légèrement différents des résultats réels. Par conséquent, une simulation numérique supplémentaire est nécessaire pour vérifier l’hologramme, ce qui consomme des ressources de calcul et augmente la complexité de la conception.
Par conséquent, la simplification du processus de conception traditionnel améliorera encore l’efficacité de la conception de la métasurface. La vulgarisation de l’apprentissage automatique dans le domaine de la conception de matériaux offre une nouvelle façon de simplifier la conception des métasurfaces. Ces dernières années, l’apprentissage automatique a été largement utilisé dans la conception et l’application des métasurfaces.
Dans la conception de métasurface, les méthodes de conception les plus courantes sont appliquées au niveau de la microstructure, y compris la conception directe et la conception inverse de la métasurface, c’est-à-dire que la réponse EM peut être déduite directement de la structure et les paramètres géométriques peuvent être déduits du spectre EM.
L’apprentissage automatique accélère efficacement l’efficacité de la conception des métasurfaces en remplaçant le processus de simulation. Cependant, les méthodes traditionnelles concernent principalement l’optimisation de la réponse EM des cellules, et les cellules optimisées sont disposées selon la distribution spécifiée pour atteindre la fonction spécifiée, ce qui signifie que le couplage entre les cellules est ignoré.
Ainsi, les métasurfaces peuvent être conçues dans une perspective macroscopique. En analysant la distribution spatiale du champ local, la loi interne du champ local peut être explorée avec précision et la relation de cartographie entre le champ local et le modulateur peut être reconstruite. Par conséquent, l’efficacité de conception et la précision de la métasurface peuvent être encore améliorées en analysant la distribution du champ électrique d’un point de vue macroscopique et en générant de manière monolithique une structure de métasurface grâce à la méthode d’apprentissage automatique.
Les métasurfaces holographiques à amplitude complexe (CAHM) avec la flexibilité de modulation des profils de phase et d’amplitude ont été utilisées pour manipuler la propagation du front d’onde avec un niveau sans précédent, conduisant à une qualité de reconstruction d’image supérieure à celle de leurs homologues naturels.
Cependant, les méthodes de conception dominantes des CAHM sont basées sur la théorie de Huygens-Fresnel, l’optimisation des méta-atomes, la simulation numérique et la vérification expérimentale, ce qui entraîne une consommation de ressources informatiques. Ici, les chercheurs, le professeur Wang et le professeur Qu de l’Air Force Engineering University, ont appliqué un réseau de neurones convolutifs encodeur-décodeur résiduel pour cartographier directement les distributions de champ électrique et les images d’entrée pour la conception de métasurface monolithique.
Un réseau préformé est d’abord formé par les distributions de champ électrique calculées par la théorie de la diffraction, qui est ensuite migrée en tant que cadre d’apprentissage par transfert pour cartographier les distributions de champ électrique simulées et les images d’entrée. Les résultats de la formation montrent que l’erreur de pixel moyenne normalisée est d’environ 3 % sur l’ensemble de données.
À titre de vérification, les prototypes de métasurface sont fabriqués, simulés et mesurés. Le champ électrique reconstruit de la métasurface rétro-conçue présente une grande similitude avec le champ électrique cible, ce qui démontre l’efficacité de notre conception. De manière encourageante, ce travail fournit une méthode de conception monolithique du champ au motif pour les CAHM, qui ouvre une nouvelle voie pour la reconstruction directe des métasurfaces.
L’article est publié dans la revue Avancées optoélectroniques.
Plus d’information:
Ruichao Zhu et al, Conception monolithique directe de champ à motif de métasurface holographique via un réseau neuronal convolutif résiduel d’encodeur-décodeur, Avancées optoélectroniques (2023). DOI : 10.29026/oea.2023.220148
Fourni par Compuscript Ltd