基于神经网络的光子器件逆设计研究进展
发布时间：2021-07-14 07:21
光与纳米结构的相互作用一直是纳米光子学的重要研究内容之一,核心部件的纳米结构对光子器件的功能和性能具有决定性作用。纳米光子器件的设计存在两种思路:一是从物理原理出发的直观设计;二是根据所需光学响应探索最优结构的逆设计。近年来,逆设计在纳米器件中取得了一系列重要进展,尤其是最近将深度学习方法引入进来,开启了高性能纳米光子器件智能高效设计的新篇章。文章围绕纳米光子器件智能逆设计方法,分析归纳了这一新兴研究方向的产生背景、重要进展和典型应用,对智能逆设计面临的挑战及未来发展方向进行了展望。
【文章来源】：光通信研究. 2020,(03)北大核心
【文章页数】：7 页
【部分图文】：
前向预测和逆向预测的网络结构
图1 前向预测和逆向预测的网络结构上述两种基于神经网络的逆设计结构中,第一种是首先使用神经网络前向预测任意纳米结构的光谱,然后再对预测的光谱使用逆向神经网络反向再现传输频谱对应的器件结构参数,其中,前向网络和逆向网络是分别进行优化训练得到各自最佳的网络结构。而双向神经网络是首先通过逆设计网络反向训练,由输入的传输谱预测纳米器件的结构参数,然后采用前向网络正向训练,计算预测的纳米结构所对应的光学响应。逆设计网络中的权值根据预测响应和初始传输谱之间的误差进行调整,不断优化网络设计,最终得到合适的权值和结构参数。相比于分别训练多个单独网络的方法,双向神经网络是在所有训练集上训练一个网络,即在训练过程中就将逆向网络和前向预测网进行融合,不断调整权值优化双向神经网络结构,因此,这种网络结构效果更好,且能够提高训练过程中整体网络的稳定性。
Peurifoy等人将基于神经网络的逆设计方法[24]用于纳米光学粒子器件的设计中,用以解决纳米级光学粒子器件结构中光的相互作用。其中,在逆向训练网络时,将输入设置为可变量,固定网络的权重值,通过标准的反向传播分析得到相关的输入参数。Peurifoy研究中的网络排布是一个全连接层的密集网络,如图4所示, x1～x3为纳米粒子的结构参数,y1～y7为散射谱。作为对比分析,Peurifoy在研究中发现,对于结构简单的(如3～5个介电壳)的纳米粒子,数值方法能得到比神经网络更精确的结果,但随着介电壳数的增加,数值方法渐渐失去了优势,甚至无法解决复杂的问题。而与此相对,神经网络则可以轻松解决复杂结构的问题,并且基于神经网络的逆设计方法可以得到非常准确的结果。3.3 超表面纳米光子器件
【参考文献】：
期刊论文
[1]Efficient spectrum prediction and inverse design for plasmonic waveguide systems based on artificial neural networks[J]. TIAN ZHANG,JIA WANG,QI LIU,JINZAN ZHOU,JIAN DAI,XU HAN,YUE ZHOU,KUN XU. Photonics Research. 2019(03)
硕士论文
[1]基于逆设计的微纳光子器件研究[D]. 于泽昕.北京邮电大学 2019
[2]硅光器件的逆设计基础研究[D]. 叶子.北京邮电大学 2018
本文编号：3283695
【文章来源】：光通信研究. 2020,(03)北大核心
【文章页数】：7 页
【部分图文】：
前向预测和逆向预测的网络结构
图1 前向预测和逆向预测的网络结构上述两种基于神经网络的逆设计结构中,第一种是首先使用神经网络前向预测任意纳米结构的光谱,然后再对预测的光谱使用逆向神经网络反向再现传输频谱对应的器件结构参数,其中,前向网络和逆向网络是分别进行优化训练得到各自最佳的网络结构。而双向神经网络是首先通过逆设计网络反向训练,由输入的传输谱预测纳米器件的结构参数,然后采用前向网络正向训练,计算预测的纳米结构所对应的光学响应。逆设计网络中的权值根据预测响应和初始传输谱之间的误差进行调整,不断优化网络设计,最终得到合适的权值和结构参数。相比于分别训练多个单独网络的方法,双向神经网络是在所有训练集上训练一个网络,即在训练过程中就将逆向网络和前向预测网进行融合,不断调整权值优化双向神经网络结构,因此,这种网络结构效果更好,且能够提高训练过程中整体网络的稳定性。
Peurifoy等人将基于神经网络的逆设计方法[24]用于纳米光学粒子器件的设计中,用以解决纳米级光学粒子器件结构中光的相互作用。其中,在逆向训练网络时,将输入设置为可变量,固定网络的权重值,通过标准的反向传播分析得到相关的输入参数。Peurifoy研究中的网络排布是一个全连接层的密集网络,如图4所示, x1～x3为纳米粒子的结构参数,y1～y7为散射谱。作为对比分析,Peurifoy在研究中发现,对于结构简单的(如3～5个介电壳)的纳米粒子,数值方法能得到比神经网络更精确的结果,但随着介电壳数的增加,数值方法渐渐失去了优势,甚至无法解决复杂的问题。而与此相对,神经网络则可以轻松解决复杂结构的问题,并且基于神经网络的逆设计方法可以得到非常准确的结果。3.3 超表面纳米光子器件
【参考文献】：
期刊论文
[1]Efficient spectrum prediction and inverse design for plasmonic waveguide systems based on artificial neural networks[J]. TIAN ZHANG,JIA WANG,QI LIU,JINZAN ZHOU,JIAN DAI,XU HAN,YUE ZHOU,KUN XU. Photonics Research. 2019(03)
硕士论文
[1]基于逆设计的微纳光子器件研究[D]. 于泽昕.北京邮电大学 2019
[2]硅光器件的逆设计基础研究[D]. 叶子.北京邮电大学 2018
本文编号：3283695
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3283695.html
