主动物理信息深度学习：拓扑纳米光子器件非平面波前激发的代理建模
光学
2025-07-15 v1
摘要
拓扑等离激元学通过结合拓扑学和等离激元学的概念，提供了操控光的新方法，类似于光子学中的拓扑边缘态。然而，由于高维设计空间的复杂性，设计此类拓扑态仍然具有挑战性。我们提出了一种新颖的方法，该方法利用有监督的、物理信息驱动的深度学习和代理建模来设计特定波长的拓扑器件。通过在神经网络训练中嵌入物理约束，我们的模型高效地探索了设计空间，显著减少了模拟时间。此外，我们利用电子束的非平面波前激发来探测拓扑保护的等离激元模式，使得设计和训练过程具有非线性。使用这种方法，我们设计了一个在环形谐振器中具有特定工作频率的单向边缘模式的拓扑器件。我们的方法在保持高精度的同时降低了计算成本和时间，凸显了将机器学习与先进技术相结合用于光子器件创新的潜力。
引用
@article{arxiv.2410.16905,
title = {Active Physics Informed Deep Learning: Surrogate Modeling for Non Planar Wavefront Excitation of Topological Nanophotonic Devices},
author = {Fatemeh Davoodi},
journal= {arXiv preprint arXiv:2410.16905},
year = {2025}
}