一种面向二维光子晶体正向与逆向设计的 POD-DeepONet 框架
《Journal of Computational Physics》:A POD–DeepONet framework for forward and inverse design of 2D photonic crystals
【字体:
大
中
小
】
时间:2026年09月24日
来源:Journal of Computational Physics 3.9
编辑推荐:
•用于光子晶体带结构预测的统一算子学习框架 •针对总代理误差的精确误差分析 •通过反向传播实现快速的端到端逆设计
## 引言
光子晶体(PhCs)是周期性结构化的介电复合材料,能够操控电磁波的传播。自Yablonovitch [1] 在抑制自发辐射方面的开创性工作以及Jo
•用于光子晶体带结构预测的统一算子学习框架 •针对总代理误差的精确误差分析 •通过反向传播实现快速的端到端逆设计
## 引言
光子晶体(PhCs)是周期性结构化的介电复合材料,能够操控电磁波的传播。自Yablonovitch [1] 在抑制自发辐射方面的开创性工作以及John [2] 在光子带隙材料中光局域化方面的贡献以来,光子晶体已成为集成光子学中控制光的关键平台,可实现具有定制色散特性的波导、腔体、滤波器和激光器 [3]、[4]、[5]、[6]。在频域设置中,其光谱行为由色散关系表征,即由与Maxwell方程相关的参数化Helmholtz特征值问题产生的带函数族{?????(??)}??≥1。这些色散图中光子带隙的位置和宽度决定了慢光传输、局域化和频率选择性等关键特性 [4]、[5]。
从计算角度来看,色散关系通过求解具有周期系数的参数化自伴复值Helmholtz特征值问题来获得 [7]。标准的数值方法包括平面波展开法 [8]、时域有限差分(FDTD)方案 [9]、[10] 以及有限元方法(FEM)[11]、[12]。因此,计算带函数需要在布里渊区中的大量波矢处求解该Helmholtz特征值问题。为降低此成本,大多数带结构计算关注经典的高对称路径,即连接不可约布里渊区边界上高对称点的分段线性段,这在广泛的光子晶体应用中已能揭示带隙及其他显著的光谱特征 [4]、[13]、[14]。然而,即使在这种简化设置下,高保真度带结构仍然需要沿这些路径对k进行密集采样,因此对于给定的光子晶体结构,仍需在细网格上求解大量广义Helmholtz特征值问题。在需要针对数千个候选单元胞重新计算带结构的高通量材料筛选和数据库构建等多查询场景中,这一成本尤为严重 [13]、[15]、[16]、[17]。
在实际光子晶体设计中,正向带结构评估只是其中一半的工作,核心目标往往是逆设计。根据应用的不同,人们要么寻找一种周期性微结构使其带结构尽可能匹配给定的色散关系(色散到结构问题),要么优化几何形状以最大化目标频率范围内选定带之间的完整带隙(带隙设计)。经典方法将这些任务表述为PDE约束优化问题,并使用拓扑优化求解,通常通过基于梯度的方法 [18]、[19]、[20] 或非梯度方案 [21]、[22],以及用于带隙最大化的相关水平集方法 [23]、[24]。拓扑优化将空间材料分布视为高维设计变量。在基于梯度的公式中,设计敏感性通过正向以及在需要时的伴随Maxwell求解获得。通常使用材料插值、滤波和投影来获得二值化和可制造的布局。系统性处理和最新综述见[25]、[26]、[27]。从启发式初始猜测出发,这些算法反复求解大规模特征值问题以评估目标和敏感性,使得每次设计更新计算成本高昂。因此,高维像素或水平集设计空间会产生相当大的计算成本。这一负担促使开发降阶和数据驱动的代理模型,以远低于在线复杂度的代价近似正向Bloch映射,同时保留足够的精度用于逆设计。
在此更大努力的推动下,深度学习在近些年来已成为建模超材料和光子晶体中结构-性质映射的强大范式。当前方法包括使用全连接深度神经网络、ResNet风格架构或卷积神经网络(CNNs)将几何或像素化单元胞映射到散射谱或透射响应,然后利用正向网络的反向传播或训练一个将目标响应映射到设计的独立网络来实现逆设计 [28]、[29]、[30]、[31]。一个自编码器被训练以从单元胞样本图像中提取拓扑特征,然后训练一个多层感知器(MLP)以建立带隙与拓扑特征之间的内在关系 [32]。后续工作采用变分或条件自编码器(VAE/cVAE)和串联网络从带隙目标生成单元胞 [33]、[34]、[35]、[36]、[37]。关于基于CNN的、基于MLP的和基于生成模型的超结构和光子晶体设计的最新综述,参见[27]、[38]、[39]。大多数现有代理模型仍将带结构视为高维黑箱向量:先在布里渊区固定网格上采样的k点处评估带频率拼接列表,然后神经网络直接回归这些采样值。与这些进展并行的是,算子学习已作为一种数据驱动的参数化PDE代理建模的强大框架而兴起。DeepONet不是近似有限维输入-输出映射,而是近似以系数、源项或边界条件等函数值输入为自变量并返回解场的非线性算子 [40]、[41]。在适当假设下,DeepONet满足算子的通用逼近定理 [40]。一旦训练完成,它们可以以极低的成本在新输入上评估学习到的算子,同时保持对这些输入的可微分性,这一特性对于基于梯度的逆问题尤为吸引人。为在高维设置中提高效率和鲁棒性,几项工作将DeepONet与投影型或多保真度模型降阶相结合,包括POD增强的DeepONet框架 [42]、[43]、[44] 和用于残差学习的多保真度DeepONet架构 [45]、[46]。这些方法利用了经验观察:在许多参数化PDE中,解流形接近一个低维子空间。例如,可以通过正交分解(POD)获得一个降阶基来表征输出场,而神经网络学习相应的降阶系数如何依赖于输入。与这些监督方法互补的是,基于能量的神经求解器和变分物理信息神经算子直接将控制问题的变分结构纳入训练目标,从而减少对成对高保真解数据的需求 [47]、[48]。然而,对于本文考虑的广义Bloch特征值问题,此类公式需要代理模型预测Bloch特征模式并强制施加归一化和模式间正交性。
据我们所知,降阶算子学习代理模型尚未应用于光子晶体的Bloch特征值问题或带结构计算。在其他参数化PDE设置中的成功表明,该方法既能加速带结构评估,又能对模型施加透明的降阶结构。在本工作中,我们研究一个正向问题和两个逆问题:(i) 给定光子晶体结构的带函数预测,(ii) 针对给定带函数的色散到结构设计,以及 (iii) 针对给定带隙描述符的带隙设计。我们的正向问题可以写为算子??:???(???1(·;??),?,???Nb(·;??)),其中?表示光子晶体的周期性介电介电常数分布,??返回布里渊区高对称路径上的前Nb个带函数???n(k;??)。第一个逆问题,即色散到结构设计,旨在近似地逆这个算子,?disp:(???*1(·),?,???*Nb(·))???,给定目标带函数???*n(k)。第二个逆问题考虑带隙描述符??=(??,??,??),写为?gap:??*???,其中??*=(??*,??*,??*)指定目标带隙,即a*和b*分别是带隙的下边缘和上边缘,p*是带隙下方带的索引。
我们引入单元胞的像素化表示,其中介电分布编码为固定网格上的分段常数。在这个离散设计空间上,我们近似(1.1)–(1.3)中的连续算子。具体而言,我们用POD-DeepONet代理模型近似正向算子??。每个带函数???n(·;??)在采样波矢上按POD基展开。主干网络在所选k点处评估固定的POD基,而分支网络将像素化微结构映射到相应的POD系数。两个逆算子均由在学习到的POD-DeepONet代理模型之上训练的神经网络实现。我们的主要贡献总结如下:
- **统一的算子学习框架。** 我们提出了一个用于2D光子晶体带结构预测和两个逆设计任务的统一算子学习框架。
- **误差分析。** 我们推导出学习到的带函数总代理误差的显式分解,将其分为POD截断和神经网络逼近两个组成部分。
- **通过极少的FEM调用实现高效端到端逆设计。** 通过可微代理模型的反向传播,我们实现了快速的色散匹配和带隙靶向,大幅减少了对重复FEM特征值求解的需求。
本文其余部分组织如下:第2节阐述光子晶体的带结构问题。我们建立有限元框架并引入基于像素的单元胞参数化,从而精确表述本文研究的正向和逆问题。第3节为正向带映射构建POD-DeepONet代理模型,即从像素设计向量到高对称路径上采样带函数的映射。我们描述主干的快照POD构建和分支网络的监督训练。然后,我们分析逼近误差以区分POD截断与神经网络贡献。第4节转向逆设计,将正向代理模型与用于色散到结构和带隙问题的逆网络耦合。第5节呈现数值实验,展示所提方法的准确性和效率。第6节以简要总结和展望作为结尾。附录提供了额外的实现细节、鲁棒性诊断和消融研究以支撑主要结果。
### 问题表述
本节简要回顾计算色散关系的数学框架,并表述构成本文主要关注点的正向和逆带结构问题。
### POD-DeepONet用于正向带结构映射
在本节中,我们为离散带映射??pix?:[0,1]Nf→?Nk×Nb,??????(??)构建POD-DeepONet代理模型,该映射在(2.15)中定义。该代理模型遵循DeepONet的主干-分支结构。对波矢k的依赖关系表示在固定的低维POD基(主干)中,而对设计向量ρ的依赖关系由神经网络(分支)学习。主干基从高保真带数据中一次性计算并在训练期间保持固定。这种设计利用了POD-DeepONet的降阶特性。
### 基于POD-DeepONet的逆带结构设计
在本节中,我们开发POD-DeepONet算法用于第2.4节引入的两个逆带结构问题。在两种设置中,我们都寻找设计向量???,使得其对应的单元胞再现给定的带结构或实现给定的带隙。为实现基于梯度的优化,我们在第2.3节引入的松弛密度空间[0,1]Nf上工作。我们构建逆神经网络,将目标规格映射到松弛设计???,并对这些进行评估。
### 数值实验
在本节中,我们评估算法1中POD-DeepONet正向代理模型的性能以及基于算法2的逆设计方案的性能。
我们考虑具有方形单元胞的二维TE偏振光子晶体,遵循标量Helmholtz特征值问题(2.7a)。以下报告的所有数值实验和逆设计结果均使用TE公式(2.7a)。扩展到TM需要新的FEM快照和正向与逆网络的重新训练,而
### 结论
在本工作中,我们为具有二值化、基于像素的p4m对称单元胞的二维光子晶体开发了正向和逆带结构分析的POD-DeepONet框架。对于正向问题,POD主干从高保真带快照中提取,并与分支网络结合构建紧凑且可微的代理模型。所得模型实现了平均按带MRE为0.455%。使用该代理模型,我们开发了两种逆设计策略。对于
### CRediT作者贡献声明
Yueqi Wang:撰写–审阅与编辑,撰写–初稿,可视化,验证,软件,方法论,调查,形式化分析,数据管理,概念化。Guanglian Li:撰写–审阅与编辑,撰写–初稿。Guang Lin:撰写–审阅与编辑,撰写–初稿,监督,资源,项目管理,经费获取。
### 利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
Yueqi Wang | Guanglian Li | Guang Lin
生物通微信公众号
生物通新浪微博
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