深度学习辅助的非回忆性多层光子结构逆向设计
光学
2026-03-12 v1
摘要
非回忆性结构在光学物理学及其应用中发挥着重要作用。传统方法依赖大量数值仿真和参数调谐，导致计算成本高昂且效率低下。本文应用深度学习进行非回忆性多层光子结构的设计。采用三个神经网络模型——前馈神经网络（FNN）、逆向设计网络（IDN）和变分自编码器（VAE）——学习结构/材料参数与非回忆性光谱特性之间的复杂映射。我们表明，FNN 可快速准确预测给定结构的非回忆性电磁响应，而 IDN 可直接生成针对目标光谱响应的合适结构参数。两种方法显著降低了计算成本和设计时间，同时提升了非回忆性性能。此外，VAE 可在实际性能约束下生成受限带宽的逆向设计，促进在指定频段内高效探索满足不同阈值要求的多个可行结构。我们的工作凸显了深度学习在非回忆性光学结构和器件高级设计中的潜力。
引用
@article{arxiv.2603.10672,
title = {Deep learning assisted inverse design of nonreciprocal multilayer photonic structures},
author = {Weiran Zhang and Hao Pan and Shubo Wang},
journal= {arXiv preprint arXiv:2603.10672},
year = {2026}
}
备注
18 pages, 6 figures