基于机器学习的量子点发射内在自优化及其在激光器中的应用
介观与纳米尺度物理
2024-11-04 v1 机器学习
摘要
传统的光源发射优化方法依赖耗时的试错过程。虽然在生长过程中对光源增益介质的内在优化理想且重要，但迄今为止尚未实现。本文将内在反射镜高能电子衍射(RHEED)与机器学习(ML)相结合，将表面重构与InAs/GaAs量子点(QD)的光致发光(PL)相关联，这些量子点作为激光器的活性区域。采用轻量级ResNet-GLAM模型对RHEED数据进行实时处理，实现对光学性能的有效识别。该方法引导生长参数的动态优化，实现对激光器QD发射的实时反馈控制。我们成功优化了初始生长条件不佳下的InAs量子点，PL强度提高3.2倍，全宽半高(FWHM)从36.69 meV降低到28.17 meV。在5层InAs量子点激光器上实现了电泵浦连续波工作，室温下阈值电流为150 A/cm2，波长为1240 nm，性能优异，与通过传统人工多参数优化方法生长的样品相当。这些结果标志着智能、低成本且可复制的光源制造的重要进展。
引用
@article{arxiv.2411.00332,
title = {In-situ Self-optimization of Quantum Dot Emission for Lasers by Machine-Learning Assisted Epitaxy},
author = {Chao Shen and Wenkang Zhan and Shujie Pan and Hongyue Hao and Ning Zhuo and Kaiyao Xin and Hui Cong and Chi Xu and Bo Xu and Tien Khee Ng and Siming Chen and Chunlai Xue and Fengqi Liu and Zhanguo Wang and Chao Zhao},
journal= {arXiv preprint arXiv:2411.00332},
year = {2024}
}
备注
5 figures