基于物理信息神经网络的按需相干纳米激光超透镜与光束偏转

人工智能与物理建模的融合为加速有源纳米光子器件的设计提供了一条变革性途径。在此，我们提出NanoPhotoNet-Lase，一个物理信息神经网络（PINN）框架，该框架将激光的电磁方程和速率方程直接嵌入其学习过程，以加速超表面纳米激光器的设计。通过将麦克斯韦矢量亥姆霍兹方程与染料增益介质的四能级粒子数动力学耦合，该模型实现了光学响应的物理引导预测，能够快速估计任意纳米结构几何形状和材料配置下的激光阈值。利用高折射率超表面腔，NanoPhotoNet-Lase模型识别出支持具有强限制和高品质因子的准连续体束缚态（BICs）的优化几何结构。使用罗丹明B染料作为增益介质，实验实现了预测的激光发射。测得的激光阈值（Pth = 565 uJ/cm2）和620 nm的发射波长与模型预测的偏差低于1%。重要的是，该框架能够设计相位梯度纳米激光超透镜和光束偏转，展示了相干、定向、聚焦或偏转的发射。这项工作将物理信息机器学习与实验纳米光子学联系起来，为相干发光超表面的实时、物理可解释设计建立了一个可扩展的范式。