机器学习辅助的光子器件全局优化
光学
2020-07-08 v1 应用物理
摘要
过去十年中，人工 engineered 光学材料与纳米结构薄膜借助超材料与超表面的新概念革新了光子学领域，其中空间变化的结构产生可定制、“按设计”的有效电磁特性。当前此类结构设计优化的前沿方法严重依赖单元或元原子的简单直观形状。此类方法无法为复杂优化问题提供全局解，其中元原子形状、面内几何、面外架构与组成材料均须恰当选取以达最大性能。本工作中，我们提出一种用于光子元器件设计的机器学习辅助全局优化框架。我们证明，采用对抗自编码器耦合元启发式优化框架，显著提升了具有复杂拓扑的元器件配置的优化搜索效率。我们展示了物理驱动的压缩设计空间工程概念，其基于器件的光学响应向对抗自编码器的压缩空间引入高级正则化。除全局优化方案的显著进步外，我们的方法可通过揭示具有复杂拓扑与材料组成的元器件光学性能背后物理，辅助获得全面的设计“直觉”。
引用
@article{arxiv.2007.02205,
title = {Machine learning assisted global optimization of photonic devices},
author = {Zhaxylyk A. Kudyshev and Alexander V. Kildishev and Vladimir M. Shalaev and Alexandra Boltasseva},
journal= {arXiv preprint arXiv:2007.02205},
year = {2020}
}