手性光子超表面的机器学习优化推进：神经网络与遗传算法方法的比较研究
光学
2025-12-16 v1 应用物理
机器学习
摘要
手性光子超表面具备定制光与物质相互作用的独特能力，这对于下一代光子器件至关重要。在此，我们报告了一种结合深度学习与进化算法的先进优化框架，以显著改善手性光子纳米结构的设计与性能。在先前利用三层感知机强化学习与带有衰减变化和质量灭绝的随机进化算法进行手性光子优化的工作基础上，本研究引入了一种改进的流程，其特征在于双输出神经网络架构，以降低高圆二色性（CD）与反射率之间的权衡。此外，我们使用了改进的适应度函数和高效的数据增强技术。本文针对不同界面图案深度、材料组合和几何复杂度的结构，展示了基于神经网络（NN）的方法与遗传算法（GA）之间的比较分析。作为卓越优化性能的结果，我们在 GaP/air 和 PMMA/air 超表面的示例中证明了 CD 提高了两倍，并展示了边角数量和折射率对比度的影响。此外，强调了在有限计算资源下所探索结构数量的显著增加，我们的电磁模拟提出了定制的光谱反射率，为适用于偏振选择性光与物质相互作用研究的手性镜铺平了道路。
引用
@article{arxiv.2512.13656,
title = {Advancing Machine Learning Optimization of Chiral Photonic Metasurface: Comparative Study of Neural Network and Genetic Algorithm Approaches},
author = {Davide Filippozzi and Alexandre Mayer and Nicolas Roy and Wei Fang and Arash Rahimi-Iman},
journal= {arXiv preprint arXiv:2512.13656},
year = {2025}
}