通过可解释机器学习算法阐明纳米光子结构的行为
光学
2020-08-03 v2 应用物理
摘要
纳米光子结构开发中的核心挑战是为目标功能确定最优设计，并理解使优化器件具备该能力的物理机制。先前研究的纳米光子结构设计方法，包括传统优化途径与新兴机器学习（ML）策略，虽已取得进展，却仍是缺乏预测解释的“黑箱”。本文展示，训练用于预测金属-介质-金属超材料（含复杂自由形态设计）各类电磁响应的卷积神经网络（CNN）可被解释，从而揭示纳米光子结构底层物理的更深洞见。利用可解释 AI（XAI）方法，我们表明可识别纳米光子结构特定空间区域对吸收峰存在或缺失的重要性。我们的结果凸显，ML 策略可用于光学与光子学中的物理发现以及设计优化。
引用
@article{arxiv.2003.06075,
title = {Elucidating the Behavior of Nanophotonic Structures Through Explainable Machine Learning Algorithms},
author = {Christopher Yeung and Ju-Ming Tsai and Brian King and Yusaku Kawagoe and David Ho and Aaswath P. Raman},
journal= {arXiv preprint arXiv:2003.06075},
year = {2020}
}