基于近场数据利用物理信息神经网络进行光子纳米结构成像与参数反演
光学
2024-06-12 v1 计算物理
摘要
在本文中，我们开发了一种深度学习方法用于准确求解近场显微镜学中的挑战性问题，该方法利用物理信息神经网络（PINNs）的强大框架对纳米结构环境的复杂光学参数进行反演。具体而言，我们展示了 PINNs 可以基于全矢量 Maxwell 方程组灵活设计，以在共振机制下从近场数据反演反推未知散射物体的复电容率和复磁导率的空间分布。此外，我们证明了在平面波和点源（局域）激发下，PINNs 均能极好地收敛至真实材料参数，从而实现了扫描近场光学显微镜（SNOM）中的参数反演。与传统的数据驱动深度学习方法相比，我们的方法计算效率高，因为它仅需单个数据集进行训练。进一步地，我们开发并成功演示了具有可训练损失权重的自适应 PINNs，与标准 PINNs 相比，大幅提高了高折射率材料反演重构的准确性。最后，我们通过从近场数据反推三维（3D）未知物体的空间依赖电容率，展示了我们方法的全部潜力。所提出的框架为开发一种计算驱动、准确且无创的平台铺平了道路，该平台可从测量的光学图像中同时反推共振纳米结构的电学和磁学参数，可应用于生物医学成像、光学遥感以及超材料器件的表征。
引用
@article{arxiv.2109.12754,
title = {Physics-informed neural networks for imaging and parameter retrieval of photonic nanostructures from near-field data},
author = {Yuyao Chen and Luca Dal Negro},
journal= {arXiv preprint arXiv:2109.12754},
year = {2024}
}