MaxwellNet：基于麦克斯韦方程组的物理驱动深度神经网络训练
光学
2024-06-12 v1
摘要
麦克斯韦方程组支配着光的传播及其与物质的相互作用。因此，使用计算电磁仿真求解麦克斯韦方程组在理解光-物质相互作用和设计光学元件中起着关键作用。此类仿真通常耗时，且近期已有工作描述用训练好的深度神经网络（DNNs）替代或补充它们。此类 DNNs 通常需要使用传统电磁求解器进行大量计算昂贵的仿真以构成训练数据集。在本文中，我们提出了一种新颖方案来训练可快速且准确求解麦克斯韦方程组的 DNN，而无需依赖其他计算电磁求解器。我们的方法是：以麦克斯韦方程组的残差作为物理驱动损失函数，训练一个在给定材料特性空间分布时求解电场的网络。我们通过训练一个同时求解各种非球面微透镜多个解的单网络来演示该方法。此外，我们在一新颖逆向设计方案中利用该网络的速度来设计使期望评价函数最大化的微透镜。我们相信我们的方法为光子器件的的光仿真与光学设计开辟了新途径。
引用
@article{arxiv.2107.06164,
title = {MaxwellNet: Physics-driven deep neural network training based on Maxwell's equations},
author = {Joowon Lim and Demetri Psaltis},
journal= {arXiv preprint arXiv:2107.06164},
year = {2024}
}