基于神经网络和色散优化的光子晶体波导逆设计

光子晶体波导（PCWs）在精确控制光的传播方面发挥着关键作用，使其在光通信和集成光子学等应用中能够实现高性能功能。传统的PCW设计依赖于复杂的数值方法，包括有限差分时域（FDTD）和平面波展开（PWE）方法，这些方法在处理高维参数空间时常常效率不高，尤其是对于亚波长结构。为克服这些挑战，本文引入了基于卷积神经网络（CNN）的逆向设计方法，用于优化PCWs的结构参数。通过使用MIT光子带（MPB）模拟在不同线缝宽度和空气孔半径下的带结构，生成了大量数据集，将结构参数映射到相应的带特性。在该数据集上训练了反向传播神经网络（BPNN）和CNN模型，以预测关键PCW结构参数。实验结果表明，CNN模型在预测复杂几何形状方面表现优异，即使在超出训练数据集的范围时也能保持高精度，精度可达四位小数。相比之下，BPNN模型具有更快的训练速度和更高的计算效率，尤其适用于较小的数据集，但在大数据集上表现较差。使用MPB进行的交叉验证确认了两种模型的泛化能力和可靠性。本研究突显了深度学习技术在光子器件设计中的潜力，尤其是对于发展集成光子学和光通信系统中高效、低损耗组件具有重要意义。