关键词:
亚波长光栅
深度学习
神经网络
正向模拟
逆向设计
摘要:
亚波长光栅作为近些年来新兴的光学器件,受到研究人员的密切关注,其广泛的应用于滤光片,太阳能吸收薄膜,偏振片等多种光学功能器件。在进行亚波长光栅的结构设计时,往往需要通过设定的几何参数,求解麦克斯韦方程组,设定优化算法求解出最优解,消耗大量的时间和计算资源。因此如何快速并精确的进行亚波长光栅的设计,以满足现实需要,是光栅设计中亟待解决的问题。深度学习的方法开展亚波长光栅的设计,通过构建神经网络进行光学器件结构和功能的学习,实现逆向设计亚波长光栅,为光学领域的设计研究提供新的思路。文章的研究内容与结果如下:(1)构建亚波长光栅数据集:基于严格耦合波分析分析(RCWA)的Rsoft软件对亚波长光栅进行建模,参数设置,对其进行仿真,得到亚波长光栅结构参数以及光谱响应曲线,建立所需的数据集。其中一维亚波长光栅数据集46200组,其中80%作为网络的训练集,20%作为网络的测试集。二维亚波长光栅数据集46080组,其中80%作为网络的训练集,20%作为网络测试集。(2)确立光栅模型以及神经网络模型:基于传统的求解亚波长光栅模型的光谱响应理论,以及亚波长光栅物理结构,结合深度学习理论和神经网络框架;研究了不同结构的亚波长光栅其滤波特性,搭建了适合滤波特性的光栅和深度神经网络(DNN)。对于一维亚波长光栅网络包含输入层、隐藏层、以及四个隐藏层,隐藏层各层节点分别为(200,200,500,200)。二维亚波长光栅网络层隐藏层的各层节点分别为(128,512,512,128)。(3)实现对亚波长光栅的正向模拟以及逆向设计:通过深度学习光栅结构参数以及光谱响应之间的关系,优化了神经网络的结构参数,实现了正向模拟计算,其中一维亚波长光栅计算误差小于0.014,二维亚波长光栅计算误差小于0.023,并且传统方法所消耗的时间为该方法的817倍,该方法明显优于传统方法的计算时间;并且实现了光栅的逆向设计,输入所需的光栅光谱响应曲线,计算光栅的几何结构参数,响应时间为1.35s,和理论光谱的相关度大于0.65,属于强相关。(4)实验验证了一维和二维滤波光栅的正向模拟以及逆向设计:利用训练好的网络,将已发表文献所制作出来的光栅结构输入DNN,进行正向模拟,通过对DNN网络给出的光谱响应以及参考文献进行相关性,其相关性都大于0.5,属于强相关。对于逆向设计,分析分别设计了一维和二维亚波长光栅;通过输入目标光谱曲线,DNN网络能够给出正确的光栅结构,且其对应的光谱曲线和目标光谱曲线相关度大于0.6,属于强相关;本文基于光栅的结构以及特性,搭建深度神经网络(DNN),获得该数据集的先验知识,学习光栅结构参数以及光谱响应之间的关系,最后通过预先设置好的测试集进行神经网络的性能测试,并通过已发表的参考文献进行神经网络的实验验证,当网络性能达到预期目标之后,只需输入光栅的几何结构参数,就可以在1.2s得出光栅的光谱响应曲线。更重要的,输入所需的光栅光谱响应曲线,能正确的得出光栅的几何结构参数。