基于半监督学习的指定照度自由曲面拓扑预测
光学
2024-02-13 v3 计算物理
摘要
尽管自由曲面光学设计领域已取得显著进展，仍存在诸多未解问题。其中之一便是设计由多个凸、凹及鞍形区域构成的平滑浅自由曲面拓扑，以产生指定的照度图案。此类自由曲面拓扑在无眩光照明与薄型折射光束整形元件中具有应用价值。机器学习技术已在解决光学与光子学中的复杂逆问题中证明极具价值，但其在自由曲面光学设计中的应用大多局限于成像光学。本文提出一种快速、独立的框架，用于从预定义光源预测产生指定辐照度分布的自由曲面拓扑。该框架采用二维卷积神经网络建模指定目标辐照度与所需自由曲面拓扑之间的关系。该网络以所获辐照度与输入辐照度之间的损失进行训练，使用第二个网络替代从光源到目标的蒙特卡洛光线追踪。这种半监督学习方法被证明优于使用真实自由曲面拓扑/辐照度对的监督学习方法；这一事实与多个自由曲面拓扑可产生相似辐照度图案的观测相关。所得网络能够快速预测生成任意辐照度图案的平滑自由曲面拓扑，并可为将机器学习应用于自由曲面照明设计中的其他开放问题提供启发。
引用
@article{arxiv.2309.09768,
title = {Freeform surface topology prediction for prescribed illumination via semi-supervised learning},
author = {Jeroen Cerpentier and Youri Meuret},
journal= {arXiv preprint arXiv:2309.09768},
year = {2024}
}