面向量子级联激光器设计的机器学习框架
光学
2024-06-13 v1
摘要
我们使用多层感知器神经网络预测了超过 9000 万种量子级联激光器（Quantum Cascade Laser, QCL）的激光跃迁图形准则值，该值衡量激光阈值增益。输入仅包含层厚度和施加电场。通过随机改变初始 10 层设计的层厚度来生成设计。用我们的 1 维 Schrödinger 求解器验证预测结果，对于可发生激光跃迁的结构，预测值误差为 5%~15%；对于不存在激光跃迁的结构，误差为 35%~70%。该算法实现了 (i) 高图形准则结构的识别，(ii) 识别应改变哪些层以在给定电场下最大化图形准则，以及 (iii) 将原始设计的图形准则从 94.7 提升至 141.2 eV·ps·Å²，提升了 1.5 倍，对 QCL 激光器具有重要意义。激光设计数据收集的计算时间大大减少：使用我们的 1 维 Schrödinger 求解器在虚拟机上对 27000 个设计耗时 32 小时，而使用机器学习算法在笔记本电脑上对 9070 万个设计仅需 8 小时。
引用
@article{arxiv.2406.07755,
title = {A Machine Learning Framework for Quantum Cascade Laser Design},
author = {Andres Correa Hernandez and Claire F. Gmachl},
journal= {arXiv preprint arXiv:2406.07755},
year = {2024}
}
备注
10 pages, 4 figures