利用深度卷积神经网络预测超表面中的互耦效应
光学
2021-02-04 v1 人工智能
摘要
超表面为实现紧凑且大规模的光学器件提供了新颖且有前景的平台。传统的超表面设计方法为每个单元假设周期性边界条件，这在大多数情况下是不准确的，因为当被非相同结构包围时，单元间的近场耦合效应会发生变化。在本文中，我们提出一种深度学习方法，用于预测置于大型阵列中、考虑近场耦合效应的每个目标超原子实际的电磁（EM）响应。该预测神经网络以目标超原子及其邻域的物理规格为输入，并在毫秒内计算出其相位与振幅。该方法可用于解释由互耦引起的超表面性能退化，并在结合优化算法后进一步优化其效率。为展示该方法的有效性，相较于传统设计方法，我们在光束偏转器和金属透镜上获得了效率的大幅提升。此外，我们表明超表面性能与其由互耦引起的设计误差之间的关联并不局限于特定规格（材料、形状等）。因此，我们预期该方法可轻易用于探索互耦效应并改善各类超表面设计的性能。
引用
@article{arxiv.2102.01761,
title = {Deep Convolutional Neural Networks to Predict Mutual Coupling Effects in Metasurfaces},
author = {Sensong An and Bowen Zheng and Mikhail Y. Shalaginov and Hong Tang and Hang Li and Li Zhou and Yunxi Dong and Mohammad Haerinia and Anuradha Murthy Agarwal and Clara Rivero-Baleine and Myungkoo Kang and Kathleen A. Richardson and Tian Gu and Juejun Hu and Clayton Fowler and Hualiang Zhang},
journal= {arXiv preprint arXiv:2102.01761},
year = {2021}
}
备注
16 pages, 10 figures