基于深度学习的按需设计,可实现具有可控共振特性的偏振选择性超表面吸收器

《Optics & Laser Technology》:Deep learning-enabled on-demand design of polarization-selective metasurface absorbers with controllable resonances

【字体: 大 中 小 】 时间:2026年03月21日 来源:Optics & Laser Technology 4.6

编辑推荐:

  提出基于级联融合深度神经网络(CFDNN)的极化选择性超表面吸收器(MA)快速设计方法,可在1毫秒内实现高精度吸收谱设计(R2>0.98),优化MA在光通信波段(1.35-1.39 μm)的极化依赖吸收特性,并系统研究其加工容限与机制。

  
王善进|宁铁刚|裴莉|李静|郑静静|白冰|胡周毅|王建帅
教育部国家重点光网络与先进电信网络实验室,北京交通大学,北京,100044,中国

摘要

作为具有极高电磁控制自由度的光学单元,超表面吸收器(MAs)在现代光通信系统中发挥着关键作用。然而,传统的MA设计方法依赖于劳动密集型的手动参数调整和计算量大的数值模拟,导致优化效率低下。为了解决这一挑战,本文提出了一种基于级联融合深度神经网络的极化选择性MA的端到端按需设计方法。利用定制的吸收光谱作为模型输入,该方法能够在1毫秒内设计出具有高度重叠吸收光谱的极化依赖性MA,并实现0.98的R2的吸收系数。所设计的MA能够在光通信频段内实现高效的极化切换。在x偏振光下,吸收波长和峰值吸收分别为1.35 μm和0.90;而在y偏振光下,相应的值分别为1.39 μm和0.96。此外,还系统地研究了MA的制造公差和极化依赖性吸收机制。总体而言,所提出的方法显著加快了MA的设计速度,为高性能光子器件的快速发展提供了可行的策略。

引言

由于二氧化硅光纤具有最小的传输损耗和色散特性,光通信频段(OCB)成为现代高速、大容量光纤通信系统的核心工作范围[1],[2],[3]。随着光通信技术的不断进步,对光信号调制和功能器件集成的需求变得越来越迫切[4],[5]。这催生了超表面——由亚波长结构单元按周期性排列构成的人工电磁(EM)接口[6],[7],[8],[9]。超表面能够在超薄尺度上灵活控制光的振幅[10]、相位[11],[12],[13]和极化[14],突破了传统光学元件在尺寸和功能上的限制。通过合理设计结构几何形状和材料参数,基于超表面的吸收器可以在特定波长范围内实现高效且可控的光吸收[15],[16]。与传统块状吸收器相比,MA具有轻量化设计、完美吸收和可调性等显著优势[17],[18]。在OCB中,MA不仅实现了光过滤、极化选择和信号调制等关键功能,还在光电检测、能量收集和片上光子集成等方面具有巨大潜力[19]。
迄今为止,设计MA主要有两种方法:传统的优化设计方法和基于深度学习(DL)的逆向设计范式[20],[21]。传统设计主要依赖于参数扫描和数值模拟[22],[23],[24]。只能通过反复试验手动调整结构参数来获得所需的光学响应。尽管这种正向设计方法直观,但计算需求高且效率低。它严重依赖专家经验和人类直觉,在多参数、高维的结构空间中容易陷入局部最优解,难以实现对复杂光学特性的精确控制。基于DL的超表面设计方法可以通过学习结构参数与光学响应之间的复杂物理关系,实现从目标光谱到结构参数的逆向映射,从而显著提高设计效率和准确性[25],[26],[27],[28]。与传统设计方法相比,DL不仅可以加速设计过程并降低计算成本,还能揭示结构和光学响应之间的潜在非线性关系[29]。它已成为主流设计方法,为高性能MA的智能设计提供了新的途径。
近年来,DL在MA设计领域展示了强大的建模和优化能力[30],[31],[32],[33]。相关研究成果大量涌现,主要集中在吸收光谱预测、结构参数逆向设计和多功能吸收特性研究上。丁志鹏及其同事使用双向深度神经网络(DNN)实现了在THz频段运行的可定制多功能MA的正向和逆向设计,能够在0.5–10 THz范围内精确控制吸收峰频率,实现超过99%的单一频率完美吸收。此外,通过调节石墨烯的化学势,可以在单一频率和宽带吸收模式之间切换,带宽可达3.78 THz[34]。曹志新及其同事利用全连接神经网络优化了覆盖近红外到中红外光谱范围(2.3–7.5 μm)的超宽带超材料吸收器的设计。该吸收器采用Ti/GaAs的七层交替堆叠结构,平均吸收率为97.8%,峰值吸收率为99.8%[35]。詹浩斌团队利用多任务迁移学习框架,结合混合神经网络和全连接神经网络,实现了多功能MA的逆向按需设计。他们提出的双层立方块超表面允许灵活控制几何和材料参数,能够设计出各种吸收光谱,包括矩形波、双频带、多频带和宽带[36]。这些开创性研究针对中红外或THz频段的MA,利用DL预测峰值频率、优化宽带吸收结构并逆向设计具有特定波形的光谱。然而,很少有研究系统地探索OCB中的极化依赖性MA,尤其是在x/y偏振光下观察到不同吸收峰的情况。尽管基于全波模拟和参数扫描的传统设计策略可以确保高物理精度和性能指标[37],[38],但这些方法由于需要手动调整和重复试验而耗时较长。此外,这些方法难以有效解耦复杂的几何依赖性以实现独立的极化控制。相比之下,深度学习方法通过建立结构参数与光学响应之间的快速非线性映射,克服了这些计算瓶颈,从而实现了具有定制极化特性的MA的直接、高效和精确的逆向设计。因此,开发一种快速响应、稳健且高精度的DNN框架用于极化选择性MA的按需逆向设计仍然是一个关键挑战。
本文提出了一种基于DL的MA按需设计方法,旨在解决传统设计方法中固有的高计算成本和耗时优化问题。通过将逆向设计神经网络(IDNN)与正向预测神经网络(FPNN)级联,形成了级联融合深度神经网络(CFDNN)架构,该架构同时具备正向预测和按需设计的双重功能。所提出的模型可以精确设计出在OCB中实现目标吸收特性的极化选择性超表面。

部分摘录

MA的结构设计和理论分析

图1显示了所提出的MA的结构配置。如图1(a)所示,当x或y线性偏振光垂直入射到结构上时,会发生吸收。图1(b)展示了超原子的三维视图,其中Px和Py分别代表x和y方向的周期。超原子采用经典的金属-绝缘体-金属(MIM)配置,从上到下由三层组成:一个金十字形谐振器、一层SiO2电介质

结果与讨论

在本研究中,数据集生成、模型训练和性能基准测试的计算环境建立在一台高性能工作站上。该系统配备了Intel Core i7-14700K CPU、64 GB RAM和NVIDIA GeForce RTX 5060 Ti GPU。所有深度学习算法均使用Python 3.9.21和PyTorch 2.8.0框架实现。

结论

总之,本文提出了一种基于CFDNN的共振可控、极化选择性MA的按需设计方法。通过级联IDNN和FPNN,所提出的方法实现了高精度的端到端设计,能够根据用户定义的吸收光谱定制MA。CFDNN的验证MSE为7.572×10?5,显示出出色的泛化能力和高精度。作为概念验证,按需设计的MA在λλ波长下工作,吸收率为1.35 μ

CRediT作者贡献声明

王善进:撰写 – 原稿撰写、可视化、验证、软件开发、方法论、研究、数据分析、概念化。宁铁刚:撰写 – 审稿与编辑、监督、资源协调、项目管理、资金获取、概念化。裴莉:撰写 – 审稿与编辑、监督、项目管理。李静:撰写 – 审稿与编辑。郑静静:撰写 – 审稿与编辑。白冰:撰写 – 审稿与编辑。胡周毅:撰写 –

资助

本工作得到了国家重点研发计划(2024YFF0726401)和国家自然科学基金(62235003, 62221001)的支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

我们想感谢何凯博士和顾振宇提供的有益指导和建议。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号