利用神经网络的光子逆设计：可见中的不可见

在设计光子纳米粒子时，一个具有挑战性的目标是通过抑制它们的散射响应，使它们在宽频带内“不可见”，在传感、波控和隐身技术中有广泛应用。它需要逆向设计来进行优化，确定最佳的结构组合。而逆设计固有的复杂性是，当涉及的参数数量越来越大时，在为基本光学操作寻找更好的结构和设备方面造成了瓶颈。因此，在光子逆设计中引入神经网络可以通过降低设计过程的计算复杂度，提高对最优光子器件的探索效率。

       近日，纳扎尔巴耶夫大学和康奈尔大学的研究团队将人工智能的概念用于推进对不可见粒子的探索，即寻找不会显著扰动背景电磁场的球形纳米粒子。通过适当选择多层纳米球的散射光谱来训练一个全连接的神经网络，将层壳的厚度作为输入，散射率作为输出进行学习。将强散射粒子从训练集剔除后，通过梯度下降优化和反向传播得到节点的权值，经过训练后，网络学习对此类散射体的光学响应进行近似。重要的是，当交换输入和输出的位置，即将散射率作为输入，壳层厚度作为输出，并通过向网络提供与特定粒子构型相对应而不是相反的散射响应来执行深度学习过程，逆设计会得到更好的结果。该方法在逆设计具有大量参数的复杂光子纳米结构方面显示了巨大的潜力，这是传统优化方法无法处理的。相关研究发表在近日的《Physical Review Applied》上。（赵涵）

文章链接：Arsen Sheverdin et al, Photonic Inverse Design with Neural Networks: The Case of Invisibility in the Visible. Physical Review Applied 14, 024054(2020).
      https://doi.org/10.1103/PhysRevApplied.14.024054