用智能优化方法回顾元表面设计的新进展
发布时间：2023-07-20 08:00:00 阅读数： 166
(a) 涡流产生，(b) 光吸收，授权转载自 Ji W. 等人，光学学会，(c) 聚焦透镜，(d) 光折射。图中还包括元表面模拟原理、制造技术、测试条件和典型元表面应用（e）成像系统、（f）通信系统、（g）雷达系统和（h）量子光学。资料来源：季文业、常进、徐和秀、高建荣、西蒙-格罗布拉赫、保罗-乌尔巴赫、奥雷尔-J.L.-亚当
电磁波前沿调制在科学研究和工业应用中都具有重要意义。然而，传统介电材料的介电常数选择有限。此外，要积累足够的传播相位来实现目标功能，还需要较大的尺寸和复杂的形状。
近年来，被称为元表面的二维（2D）平面材料解决了传统光学设备所遇到的难题。元表面具有人工可调电磁响应。传统的元表面设计依赖于正向预测方法。有限元法或时域有限差分法用于预测光学特性。
通常情况下，模拟一个具有周期性边界的单元格。然后将更多的单元格组合起来，形成一个大面积系统。这一过程非常耗时，而且所设计的元原子很难达到理想的光学响应。由于在元原子设计中使用了周期性边界条件，而在阵列模拟过程中使用了非周期性边界条件，不同元原子之间的相互耦合造成了不可避免的误差。
在最近发表于《光科学与应用》（Light Science & Application）的一篇综述论文中，荷兰代尔夫特理工大学的科学家团队总结了一种结合正向和反向算法的智能元面设计，为克服传统元面遇到的问题提供了一种解决方案。
与传统优化算法相比，机器学习可以通过从大量已知数据集中学习模型变量与光学特性之间的复杂关系来预测未知问题。这种策略可以对元表面特性进行更全面、更系统的优化，从而大大减少元表面设计的计算时间。
此外，通过使用深层光学和光子学理论（如严格耦合波分析，RCWA）以及先进的优化算法（如自动微分，AD），可以调整和重新评估参数，从而更高效地实现最终目标。这种方法称为拓扑优化。它在物理精度、计算时间和自由度方面都有明显优势。
科学家们总结道："机器学习方法用于元表面设计的基本原理流程图如下：对于简单结构，可以使用前向求解器算法获得电磁响应数据集，并将各种参数组合作为输入。然后，这些数据集可用于训练深度神经网络，该网络在获得输入时可计算电磁响应"。
"这被称为前向网络。通过相同的训练过程，还可以得到一个反向网络。反向网络的不同之处在于，输入是所需的响应，输出是结构的几何参数。优化后的解决方案还可以使用正向求解器算法进行评估，以确定响应是否可接受"。
"物理信息神经网络的基本原理是在神经网络中加入物理定律信息，如麦克斯韦方程或其他偏微分方程（PDE）。这一操作可以通过将 PDE 管治数据集纳入框架的损失函数来实现。"
"元原子结构具有复杂的设计和多个参数，与以前的方法相比，它的自由度更大。数据集是通过正向求解器模拟结构获得的，但将麦克斯韦方程和电磁边界条件等物理定律纳入神经网络后，所需的数据集大小减少了，从而大大缩短了计算时间。其余的设计过程与机器学习方法一致，"他们补充道。
科学家们继续说："上述方法可以扩展到其他光学设备的设计，如光子晶体、光腔和集成光子电路。智能元表面是一个快速发展的方向，在一些新的革命性领域，尤其是量子光学领域，具有重要的应用前景"。
参考资料
Wenye Ji et al, Recent advances in metasurface design and quantum optics applications with machine learning, physics-informed neural networks, and topology optimization methods, Light: Science & Applications (2023). DOI: 10.1038/s41377-023-01218-y
