用于不同形状超表面逆向设计的深度学习方法

       光学超表面能够对入射波前的特性进行精细控制，并且研究人员正在成像、传感、全息和光学计算等领域积极探索其各种应用。在其最一般的形式中，光学超表面是一个“表面状”的异质纳米谐振器阵列。目前，超表面设计在文献报道仍然主要受限于原始几何的有序排列；例如，圆形、椭圆形、矩形和十字形的纳米柱。使用有限自由度(DOFs)的逆向设计相当简单，但与光刻可实现的带宽设计相比，可能会表现出次优的光学性能。超表面设计系统正在慢慢扩展，包括复杂几何，如多边形超单元、自由形状几何、扩展的超单元以及体结构。通常，涉及复杂几何的逆向设计使用拓扑优化或遗传算法、群优化、差分进化等。然而，这种逆向设计的工作流程，特别是几何参数化的步骤，是不平凡的。如果没有正确的选择参数，可能会极大地扩大设计空间，而不能确保大多数形状仍然是可实现的。人工智能(AI)和相关数据驱动技术正越来越多地用于纳米光子学中的逆向设计问题。目前的形状编码方法可分为三大类:(1)参数表示;(2)像素化图像表示；(3)生成网络和学习到的潜在空间表征。

       近日，印度理工学院电气工程系Ravi S. Hegde等人报道了一个基于深度学习的逆向设计流程，使结构单元的形状得到更充分的利用。研究人员利用一个多边形形状编码涵盖了光刻可实现的大部分带宽范围的谐振器，此外，他们演示了在非晶硅材料平台上进行滤光片的逆向设计。实验实现了逆向设计的透射模滤光片超表面，并在色域内表现出增强效果。相关研究工作发表在《Optics Letters》上。（丁雷）

      文章链接：SoumyashreeS. Panda et al, Deep learning approach for inverse design of metasurfaceswith a wider shape gamut, Optical Letters(2022). https://doi.org/10.1364/OL.458746.