基于深度学习映射光子拓扑态的设计空间
应用物理
2023-07-19 v1 计算物理
光学
摘要
光子学中的拓扑态为导引和操控光子提供了新前景，并促进了面向多种应用的现代光学器件的发展。过去几年，光子拓扑物理不断发展，在这些拓扑材料（如硅光子晶体）中揭示了各种非传统光学性质。然而，此类拓扑态的设计仍是一项重大挑战。传统优化方案往往无法捕捉其复杂的高维设计空间。在本文中，我们开发了深度学习框架来映射光子晶体中拓扑态的设计空间。该框架克服了现有深度学习实现的局限。具体而言，它调和了输入（拓扑性质）与输出（设计参数）向量空间之间的维度失配，以及由一对多函数映射引起的非唯一性。我们采用全连接深度神经网络（DNN）架构作为前向模型，采用循环卷积神经网络（cCNN）作为逆向模型。逆向架构串联包含了预训练的前向模型，从而显著降低了预测误差。
引用
@article{arxiv.2006.09163,
title = {Mapping the Design Space of Photonic Topological States via Deep Learning},
author = {Robin Singh and Anuradha Murthy Agarwal and Brian W Anthony},
journal= {arXiv preprint arXiv:2006.09163},
year = {2023}
}
备注
3 figures, AI for better photonics, topological photonics, inverse design