核心概念
本研究利用物理信息深度學習和代理建模,開發了一種設計用於特定波長的拓撲納米光子器件的新方法,通過將物理約束嵌入神經網絡的訓練中,該模型可以有效地探索設計空間,顯著減少模擬時間,並準確預測實現穩健單向邊緣模式的最佳設計。
摘要
書目信息
Davoodi, F. (年). 主動物理信息深度學習:用於非平面波前激發拓撲納米光子器件的代理建模 [學術期刊文章]。
研究目標
本研究旨在開發一種基於深度學習的新方法,用於設計在特定波長下運行的拓撲納米光子器件,特別是那些表現出穩健單向邊緣模式的器件。
方法
研究人員開發了一種三階段的物理信息深度學習模型:
- 階段一:強耦合和弱耦合訓練
- 該模型首先在強耦合和弱耦合場景的數據集上進行訓練,學習單元電池之間相互作用的物理約束。
- 訓練數據來自 COMSOL 模擬,並使用標記數據來區分強耦合和弱耦合狀態。
- 階段二:拓撲相位和模式識別
- 該模型通過結合來自 SSH 鏈配置的模擬數據和緊束縛計算來進一步訓練。
- 目標是讓模型學習識別支持拓撲模式的結構配置,並使用繞組數作為拓撲不變量來區分拓撲模式和普通模式。
- 階段三:環形幾何和非平面激發
- 最後,該模型擴展到包含環形幾何中復雜的非平面激發,例如電子束。
- 訓練數據集包括 SSH 鏈在環形幾何中的變化,以及非平面激發。
- 該模型學習預測最佳設計參數,以實現單向拓撲模式傳播,並通過引入缺陷來驗證其穩健性。
主要發現
- 該模型成功地預測了在特定頻率(380 THz)、納米孔徑 (D=248 nm) 和環形直徑 (b=1380 nm) 下實現單向拓撲模式傳播的最佳設計參數。
- 全波模擬證實了模型的準確性,表明在預測條件下存在單向模式傳播。
- 該模式被證明對缺陷具有魯棒性,即使在引入納米孔尺寸減小或納米孔缺失等缺陷後也能保持其傳播。
主要結論
- 物理信息深度學習為設計具有目標工作波長的拓撲納米光子器件提供了一種強大的方法。
- 將關鍵物理原理嵌入學習框架可以顯著減少與傳統方法相比的計算開銷。
- 通過電子束引入非平面波前激發增強了這些器件的功能,為選擇性激發受保護的等離激元模式提供了新的方法。
重大意義
這項工作證明了深度學習與特定領域物理學的集成如何能夠改變光子器件工程,為各種先進技術釋放可擴展的高性能設計。
局限性和未來研究
- 未來的工作可以探索將該方法應用於更複雜的器件幾何形狀和材料。
- 研究不同的非平面激發源,例如量子點,可以為拓撲等離激元模式的操縱提供額外的可能性。
統計資料
在 380 THz 的頻率下,納米孔徑 D=248 nm,環形直徑 b=1380 nm 時,實現了最大化正負最大電場值之比 (|E+|/|E-|) 的最佳條件。
引述
“拓撲等離激元學作為一個變革性領域出現,用於在納米尺度上操縱光。”
“通過將物理約束嵌入神經網絡的訓練中,我們的模型可以有效地探索設計空間,與傳統方法相比顯著減少了模擬時間。”
“我們的方法不僅加速了新型拓撲器件的發現,而且為減少納米光子系統的設計時間和計算資源樹立了新的基準。”