基于机器学习的面向目标可见光反射谱的一维光子晶体逆向设计通用方法
光学
2022-02-01 v1 计算物理
摘要
数据驱动方法作为廉价且高效的逆向设计方法已日益应用于光学系统的开发。光子晶体（PCs）的光学性质（如带隙性质）与其光反射谱特征密切相关。在预指定参数空间内寻找能产生最接近目标光谱的反射谱的最优 PC 构造，因而是一个有趣且有意义的逆向设计问题，尽管相关研究仍有限。本文报道一种普遍有效的基于机器学习的针对一维光子晶体（1DPCs）的逆向设计方法，聚焦于具有高实际相关性的可见光光谱。对给定类别的 1DPC 系统，首先在大批正向计算（从层厚度到光谱）数据上训练统一结构的深度神经网络（DNN）。随后基于 DNN 反向预测（从光谱到层厚度）、正向计算与蒙特卡洛移动的连贯整合，开发了一种迭代优化方案。我们将此新方法用于四种代表性 1DPC 系统，包括具有二、三和四层重复单元的周期性结构以及一种异质结构。该方法无论目标光谱是否确切可实现，都能成功收敛到各种目标光谱的最优 1DPC 构造解。作为两个示例，给出并详细讨论了面向特殊构造的“矩形”绿光或红光反射谱的逆向设计。值得注意的是，结果表明即使最优层厚度远超出 DNN 原始训练数据覆盖范围，该方法也能高效找出。
引用
@article{arxiv.2109.14897,
title = {A General Machine Learning-based Approach for Inverse Design of One-dimensional Photonic Crystals Toward Targeted Visible Light Reflection Spectrum},
author = {Tao Zhan and Quan-Shan Liu and Lu Qiu and Yuan-Jie Sun and Tao Wen and Rui Zhang},
journal= {arXiv preprint arXiv:2109.14897},
year = {2022}
}