基于深度循环神经网络的高效纳米光子器件逆向设计与光谱预测
光学
2021-05-26 v1
摘要
近年来，纳米光子器件的发展为在纳米尺度操控光提供了革命性手段。近来，人工神经网络（ANNs）在纳米光子器件逆向设计中展现出强大能力。然而，针对光谱序列特征建模与学习的逆向设计研究有限。本工作中，我们提出一种基于改进循环神经网络的新型深度学习方法，以提取光谱的序列特征并实现逆向设计与光谱预测。该网络的一个关键特性在于其包含的记忆或反馈回路使其能有效识别时间序列数据。在纳米棒双曲超材料背景下，我们展示了目标光谱与预测光谱间高度一致，且网络学到了关于结构参数变化反映在光谱上的深层物理关系。此外，所提模型能基于已知光谱预测未知光谱，平均相对误差仅 0.32%。我们提出该方法作为 ANNs 在纳米光子学中应用的一种高效且精确的替代方案，为所需器件的快速准确设计铺平道路。
引用
@article{arxiv.2009.12510,
title = {Efficient inverse design and spectrum prediction for nanophotonic devices based on deep recurrent neural networks},
author = {Ruoqin Yan and Tao Wang and Xiaoyun Jiang and Qingfang Zhong and Xing Huang and Lu Wang and Xinzhao Yue and Huimin Wang and Yuandong Wang},
journal= {arXiv preprint arXiv:2009.12510},
year = {2021}
}