基于深度神经网络的非自由形式介质超表面建模方法
光学
2020-01-03 v1 机器学习
摘要
超表面在调控光波前方面展现出良好潜力，同时相较于笨重的几何光学器件保持了紧凑性。作为超表面的基本构成单元，元原子的设计依赖于试错法以实现目标电磁响应。该过程包括对大量具有不同物理与几何参数的元原子设计进行表征，通常需耗费巨大的计算资源。本文提出一种基于深度学习的超表面/元原子建模方法，在保持精度的同时显著缩短表征时间。基于卷积神经网络（CNN）结构，所提出的深度学习网络能够对具有自由形式二维图案以及不同晶格尺寸、材料折射率和厚度的元原子进行建模。此外，该方法具备在毫秒时间尺度上预测元原子宽谱响应的能力，这使其在快速元原子/超表面按需设计与优化等应用中颇具吸引力。
引用
@article{arxiv.2001.00121,
title = {A Freeform Dielectric Metasurface Modeling Approach Based on Deep Neural Networks},
author = {Sensong An and Bowen Zheng and Mikhail Y. Shalaginov and Hong Tang and Hang Li and Li Zhou and Jun Ding and Anuradha Murthy Agarwal and Clara Rivero-Baleine and Myungkoo Kang and Kathleen A. Richardson and Tian Gu and Juejun Hu and Clayton Fowler and Hualiang Zhang},
journal= {arXiv preprint arXiv:2001.00121},
year = {2020}
}