近一个世纪以来，纳米级结构中的光-物质强相互作用有助于将光限制在亚波长范围内，为光学设计的打开了一条新思路。超表面结构（Metasurface）是这类新型纳米光子器件的重要一员，这些材料的实现导致了完美吸收、超分辨率成像、光束控制和非线性光学等诸多应用。制备这些纳米结构材料需要非常复杂的工艺流程，因此必须通过合适的理论模型，对超曲面的预期光谱特性和功能进行准确的预测。通常，人们往往采用先进的迭代计算方法（iterative calculations），结合有限元建模（FEM）或时域有限差分（FDTD）来实现超表面材料的光学性质预测和超表面结构的逆设计，但是这种传统的设计过程就会受到人为引导误差的固有影响。最近，来自美国佐治亚理工学院的蔡文杉教授课题组借助人工智能（Artificial Intelligence）的设计思想，提出了一种普适的深度学习（Deep Learning）网络模型，它可以有效地搜索和优化超表面的结构单元，以实现用户所需求的光学光谱。该模型是一种有效的光子学逆向设计技术（reverse design technology），有助于减少传统的超表面设计中的计算量和人力资源，避免了复杂专业的迭代模拟和参数化扫描研究，可为缺乏光学知识基础的用户服务。推广流程。这里开发的模型主要基于无监督学习（unsupervised learning）方法，能够不依赖于人类的经验进行结构设计；此外，由于该模型可以处理多个输入光谱而不会降低效率，因此可降低需要多个超表面或梯度结构分布等复杂问题的工作量。通过采用某些改进措施，例如使用更复杂的网络配置和引入更具有实际物理意义的损失函数，可以进一步优化模型的性能。相关研究发表在近期的《Nano Letters》上。

文章链接

来源：两江科技评论