设计高品质因子光子共振的通用深度学习策略
光学
2021-05-10 v1 应用物理
摘要
共振在现代光学与光子学中对于腔量子电动力学和电场诱导透明等新现象起着关键作用。虽然可以使用数值模拟来扫描光学结构的几何与材料参数，但这些模拟通常需要相当长的计算时间（从几小时到几周）和大量的计算资源。这些需求显著限制了它们在理解和逆向设计具有期望共振性能的结构中的适用性。近来，人工智能的引入使得以更少的计算需求更快预测共振成为可能。然而，当前的端到端深度学习方法通常无法预测高品因子（Q 因子）共振。在此，我们引入一种通用深度学习策略，通过自适应数据采集（ADA）方法分解光谱并融入共振信息，从而预测超高 Q 因子共振。我们利用具有无限 Q 因子的连续域束缚态（BICs）来验证这一共振知情深度学习（RIDL）策略。训练后的 RIDL 策略在使用极小的训练数据集的同时，实现了对反射光谱和光子能带结构的高精度预测。我们进一步基于 RIDL 策略开发了一种用于悬浮氮化硅光子晶体（PhC） slab 上对称保护 BIC 的逆向设计算法。预测与测量的角分辨能带结构显示出极小差异。我们期望 RIDL 策略可应用于许多其他展现高斯、洛伦兹和法诺共振的物理现象。
引用
@article{arxiv.2105.03001,
title = {A universal deep learning strategy for designing high-quality-factor photonic resonances},
author = {Xuezhi Ma and Yuan Ma and Preston Cunha and Qiushi Liu and Kaushik Kudtarkar and Da Xu and Jiafei Wang and Ming Liu and M. Cynthia Hipwell and Shoufeng Lan},
journal= {arXiv preprint arXiv:2105.03001},
year = {2021}
}
备注
4 Figures