CN113219577A - 一种超构表面实现高消光比红外带通偏振片及逆向设计法 - Google Patents
一种超构表面实现高消光比红外带通偏振片及逆向设计法 Download PDFInfo
- Publication number
- CN113219577A CN113219577A CN202110571722.2A CN202110571722A CN113219577A CN 113219577 A CN113219577 A CN 113219577A CN 202110571722 A CN202110571722 A CN 202110571722A CN 113219577 A CN113219577 A CN 113219577A
- Authority
- CN
- China
- Prior art keywords
- long
- extinction ratio
- infrared band
- super
- nano
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008033 biological extinction Effects 0.000 title claims abstract description 38
- 238000013461 design Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000002441 reversible effect Effects 0.000 title claims abstract description 19
- 229910052710 silicon Inorganic materials 0.000 claims abstract description 37
- 239000010703 silicon Substances 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000010287 polarization Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 19
- 230000015654 memory Effects 0.000 claims abstract description 15
- 230000007787 long-term memory Effects 0.000 claims abstract description 9
- 230000006403 short-term memory Effects 0.000 claims abstract description 9
- 210000004027 cell Anatomy 0.000 claims description 42
- 230000001413 cellular effect Effects 0.000 claims description 21
- 238000002834 transmittance Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 239000002061 nanopillar Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B5/00—Optical elements other than lenses
- G02B5/30—Polarising elements
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B1/00—Optical elements characterised by the material of which they are made; Optical coatings for optical elements
- G02B1/002—Optical elements characterised by the material of which they are made; Optical coatings for optical elements made of materials engineered to provide properties not available in nature, e.g. metamaterials
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B5/00—Optical elements other than lenses
- G02B5/20—Filters
- G02B5/208—Filters for use with infrared or ultraviolet radiation, e.g. for separating visible light from infrared and/or ultraviolet radiation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本发明公开了一种超构表面实现高消光比红外带通偏振片及逆向设计法,包括基于全硅介质超构表面实现长波中红外带通偏振片的功能;基于长短期记忆人工神经网络对其进行逆向设计全硅介质超构表面,使其能实现长波中红外带通偏振的功能。本发明基于深度学习算法中的长短期记忆人工神经网络对全硅介质超构表面进行逆向设计,使得设计出的平面光学器件在长波中红外波段具有带通偏振功能。
Description
技术领域
本发明涉及平面光学领域,尤其涉及到一种利用全硅介质超表面设计中红外带通偏振片以及利用长短期记忆神经网络对其进行逆向设计。
技术背景
除了频率和强度外,光的偏振可以在另外一个维度上携带信息。在长波中红外波段,由于其偏振片制作工艺复杂,制作成本高,导致其价格非常昂贵,另外部分用于制作中红外偏振片的材料有剧毒,这增加了运用中红外偏振片在运用时的操作难度。超表面是一种人工发明的材料,通过在材料表面刻一些特殊形状的纳米柱,可以实现对光的调控,成为近年来的研究热点。全硅介质超表面,由于在制造时与现在比较成熟的微电子工艺兼容,对各种超表面的制造更加容易。但是,超表面的设计本身难度比较大,其原因是设计时需要调整不同的尺寸来达到目标效果,这个过程不仅需要耗费大量的计算资源,同时也需要大量的时间来进行计算仿真。
近年来深度学习的发展让加速设计平面光学器件特别是基于全介质超构表面的平面光学器件成为可能。全介质超构表面一般由简单的微小元胞阵列构成,一般而言,设计出符合要求的微小元胞,再对其进行周期性排列,便可以实现部分平面光学器件的功能。由于其设计的特点,使得我们可以利用深度学习进行逆向设计,逆向设计能大大地减少设计的难度和速度,让我们设计超构表面更加方便和智能。
发明内容
鉴于现有技术的缺陷,本发明基于深度学习算法中的长短期记忆人工神经网络对全硅介质超构表面进行逆向设计,使得设计出的平面光学器件在长波中红外波段具有带通偏振功能。
为了实现上述目的,本发明采用的技术方案如下:
一种超构表面实现高消光比红外带通偏振片及逆向设计法,包括基于全硅介质超构表面实现长波中红外带通偏振片的功能;
基于长短期记忆人工神经网络对其进行逆向设计全硅介质超构表面,使其能实现长波中红外带通偏振的功能。
需要说明的是,本发明包括利用全硅设计全介质超构表面周期性元胞,设计时考虑元胞周期长度、元胞纳米柱长度、元胞纳米柱宽、元胞纳米柱高四个参数;
利用时域有限差分法进行仿真,扫描元胞的周期长度,元胞中纳米柱长,元胞中纳米柱的宽,元胞中纳米柱的高,得到在不同的元胞周期长度、元胞纳米柱长度、元胞纳米柱宽、元胞纳米柱高条件下,得到全硅介质超构表面在8-12um波段内,在X线偏振和Y线偏振入射光源条件下的透过率;
利用仿真得到的透过率,计算8-12um的消光比分布。
需要说明的是,本发明包括定义在X偏振入射光通过全硅介质超构表面得到的透过率为Tx,在Y偏振入射光条件下通过全硅介质超构表面得到的透过率为Ty;
定义消光比为ER=10*|log(Tx/Ty)|,得到8-12um整个波段的消光比分布;
搭建长短期记忆人工神经网络,训练网络。
需要说明的是,本发明包括
搭建长短期记忆人工神经网络,根据实际的数据量调整网络的层数,每层的神经元;
对在8-12um整个波段的消光比分布进行采样,采样数目为100个,将这100个数据作为长短期记忆人工神经网络的输入,对应的元胞周期长度、元胞纳米柱长度、元胞纳米柱宽、元胞纳米柱高的参数作为输出;
对长短期记忆人工神经网络进行训练,直到损失函数不再继续减小为止;
给定一个需求的消光比输入,实现逆向设计。
需要说明的是,给定一个需求的消光比输入,实现逆向设计,包括给定一个8-12um波段的消光比分布,给定的分布需符合物理实际情况或者和物理实际情况相似,在给定的分布上进行等间隔采样,采样数据为100个,将这100个数据输入训练好的长短期人工神经网络,得到输出,利用得到的输出参数设计全硅介质超构表面的元胞,元胞设计完成后,对其进行周期性排列,实现长波中红外带通偏振片的功能。
需要说明的是,输入目标消光比分布至已经训练好的长短期记忆人工神经网络,将得到的输出作为设计全硅介质超表面的元胞参数,对设计的元胞进行周期性排列,以此设计出具有在长波中红外具有带通偏振功能的光学器件。
附图说明
图1是本发明全硅介质超表面的元胞结构图和全硅介质超表面的结构图;
图2是本发明进行逆向设计的流程图;
图3是本发明中目标消光比分布与利用长短期人工神经网络逆向设计得到的消光比分布对比图;
图4为利用图3过程中长短期记忆神经网络给出的参数利用时域差分有限法仿真得到的透过率。其中黑色虚线表示用X线偏振光源入射得到的透过率,黑色实线表示用Y线偏振光源入射得到的透过率。
具体实施例
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
一种超构表面实现高消光比红外带通偏振片及逆向设计法,包括基于全硅介质超构表面实现长波中红外带通偏振片的功能;
基于长短期记忆人工神经网络进行逆向设计全硅介质超构表面,使其能实现长波中红外带通偏振的功能。
需要说明的是,本发明包括利用全硅设计全介质超构表面周期性元胞,设计时考虑元胞周期长度、元胞纳米柱长度、元胞纳米柱宽、元胞纳米柱高四个参数;
利用时域有限差分法进行仿真,扫描元胞的周期长度,元胞中纳米柱长,元胞中纳米柱的宽,元胞中纳米柱的高,得到在不同的元胞周期长度、元胞纳米柱长度、元胞纳米柱宽、元胞纳米柱高条件下,得到全硅介质超构表面在8-12um波段内,在X线偏振和Y线偏振入射光源条件下的透过率;
利用仿真得到的透过率,计算8-12um的消光比分布。
需要说明的是,本发明包括定义在X偏振入射光通过全硅介质超构表面得到的透过率为Tx,在Y偏振入射光条件下通过全硅介质超构表面得到的透过率为Ty;
定义消光比为ER=10*|log(Tx/Ty)|,得到8-12um整个波段的消光比分布;
搭建长短期记忆人工神经网络,训练网络。
需要说明的是,本发明包括
搭建长短期记忆人工神经网络,根据实际的数据量调整网络的层数,每层的神经元;
对在8-12um整个波段的消光比分布进行采样,采样数目为100个,将这100个数据作为长短期记忆人工神经网络的输入,对应的元胞周期长度、元胞纳米柱长度、元胞纳米柱宽、元胞纳米柱高,四个参数作为输出;
对长短期记忆人工神经网络进行训练,直到损失函数不再继续减小为止;
给定一个需求的消光比输入,实现逆向设计。
需要说明的是,给定一个需求的消光比输入,实现逆向设计,包括给定一个8-12um波段的消光比分布,给定的分布需求要求符合物理实际情况或者和物理实际情况相似,在给定的分布上进行等间隔采样,采样数据为100个,将这100个数据输入训练好的长短期人工神经网络,得到输出,利用得到的输出设计全硅介质超构表面的元胞,元胞设计完成后,对其进行周期性排列,实现长波中红外带通偏振片的功能。
需要说明的是,输入目标消光比分布的采样数据至已经训练好的长短期记忆人工神经网络,将得到的输出作为设计全硅介质超表面的元胞参数,对设计的元胞进行周期性排列,以此设计出具有在长波中红外具有带通偏振功能的光学器件。
如图1所示,位于左侧为本发明中全硅介质超表面的元胞的结构图。图1中的C表示元胞周期的长度,lx、ly、lz分别表示元胞中纳米柱的长、宽、高的尺寸。
如图2所示,所搭建的人工神经网络共有6层,第一层为输入层含有100个神经元,第6层为输出层,含有4个神经元,中间几层为隐藏层,具体参数为第二层含有80个神经元,第三层含有50个神经元,第四层含有20个神经元,第五层含有10个神经元。
如图3所示,其中黑色的实线表示输入分布,输入的分布服从分布其中σ=0.25为分布的标准差,μ=9.2为分布的平均值及分布的最大值在x=9.2um处。从分布中取100个值,每个值的间隔为40nm,作为训练好的长短期记忆神经网络的输入,得到输出的参数为,元胞的周期C=8744nm,元胞纳米柱的宽lx=1202nm,元胞纳米柱的长ly=1943nm,元胞纳米柱的高lz=8232nm;将得到的参数再次利用时域差分有限法进行仿真,分别以X线偏振和Y线偏振光源作为入射光源,得到透射率Tx和Ty,利用公式ER=10*|log(Tx/Ty)|计算消光比,图3中的黑色虚线表示利用时域有限差分法对输出参数设计的全硅介质超构表面元胞进行仿真并利用仿真得到的透过率计算得到的消光比分布。
对于本领域的技术人员来说,可以根据以上的技术方案和构思,给出各种相应的改变,而所有的这些改变,都应该包括在本发明权利要求的保护范围之内。
Claims (5)
1.一种超构表面实现高消光比红外带通偏振片及逆向设计法,其特征在于,包括
基于全硅介质超构表面实现长波中红外带通偏振片的功能;
基于长短期记忆人工神经网络对其进行逆向设计全硅介质超构表面,使其能实现长波中红外带通偏振的功能。
2.一种利用全硅介质超构表面结构实现权利要求1所述高消光比的长波中红外带通偏振片以及逆向设计方法,其特征在于,包括
利用全硅设计全介质超构表面周期性元胞,设计时考虑元胞周期长度、元胞纳米柱长度、元胞纳米柱宽、元胞纳米柱高四个参数;
利用时域有限差分法进行仿真,扫描元胞的周期长度,元胞中纳米柱长,元胞中纳米柱的宽,元胞中纳米柱的高,得到在不同的元胞周期长度、元胞纳米柱长度、元胞纳米柱宽、元胞纳米柱高条件下,得到全硅介质超构表面在8-12um波段内,在X线偏振和Y线偏振入射光源条件下的透过率;
利用仿真得到的透过率,计算8-12um的消光比分布。
3.根据权利要求2所述的利用全硅介质超构表面结构实现高消光比的长波中红外带通偏振片以及逆向设计方法,其特征在于,所述计算8-12um的消光比分布,包括:
定义在X偏振入射光通过全硅介质超构表面得到的透过率为Tx,在Y偏振入射光条件下通过全硅介质超构表面得到的透过率为Ty;
定义消光比为ER=10*|log(Tx/Ty)|,得到8-12um整个波段的消光比分布;
搭建长短期记忆人工神经网络,训练网络。
4.根据权利要求3所述的利用全硅介质超构表面结构实现高消光比的长波中红外带通偏振片以及逆向设计方法,其特征在于,搭建长短期记忆人工神经网络,训练网络,包括
搭建长短期记忆人工神经网络,根据实际的数据量调整网络的层数,每层的神经元;
对在8-12um整个波段的消光比分布进行采样,采样数目为100个,将这100个数据作为长短期记忆人工神经网络的输入,对应的元胞周期长度、元胞纳米柱长度、元胞纳米柱宽、元胞纳米柱高的参数作为输出;
对长短期记忆人工神经网络进行训练,直到损失函数不再继续减小为止;
给定一个需求的消光比输入,实现逆向设计。
5.根据权利要求4所述的利用全硅介质超构表面结构实现高消光比的长波中红外带通偏振片以及逆向设计方法,其特征在于,给定一个需求的消光比输入,实现逆向设计,包括给定一个8-12um波段的消光比分布,给定的分布符合物理实际情况或者和物理实际情况相似,在给定的分布上进行等间隔采样,采样数据为100个,将这100个数据输入训练好的长短期人工神经网络,得到输出,利用得到的输出设计全硅介质超构表面的元胞,元胞设计完成后,对其进行周期性排列,实现长波中红外带通偏振片的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571722.2A CN113219577A (zh) | 2021-05-25 | 2021-05-25 | 一种超构表面实现高消光比红外带通偏振片及逆向设计法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571722.2A CN113219577A (zh) | 2021-05-25 | 2021-05-25 | 一种超构表面实现高消光比红外带通偏振片及逆向设计法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113219577A true CN113219577A (zh) | 2021-08-06 |
Family
ID=77098152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110571722.2A Pending CN113219577A (zh) | 2021-05-25 | 2021-05-25 | 一种超构表面实现高消光比红外带通偏振片及逆向设计法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113219577A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160320531A1 (en) * | 2015-04-14 | 2016-11-03 | California Institute Of Technology | Conformal optical metasurfaces |
CN108318947A (zh) * | 2018-04-08 | 2018-07-24 | 中山大学 | 一种低折射率全介质平面透镜的制作方法 |
CN108508506A (zh) * | 2018-04-16 | 2018-09-07 | 东莞理工学院 | 基于介质超表面的波片和光学器件相结合的双功能器件 |
CN109814195A (zh) * | 2019-03-29 | 2019-05-28 | 武汉邮电科学研究院有限公司 | 基于偏振的多功能超表面结构、超表面元件及加密方法 |
CN109962688A (zh) * | 2019-04-04 | 2019-07-02 | 北京邮电大学 | 基于深度学习神经网络的全介质超材料滤波器传输特性的快速预测与反向结构设计方法 |
CN110618535A (zh) * | 2019-08-21 | 2019-12-27 | 深圳珑璟光电技术有限公司 | 偏振多通道超构表面光学元件及重建全彩全息图像的方法 |
CN112214719A (zh) * | 2020-10-27 | 2021-01-12 | 南开大学 | 一种利用级联深度神经网络的介质超表面逆向设计算法 |
-
2021
- 2021-05-25 CN CN202110571722.2A patent/CN113219577A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160320531A1 (en) * | 2015-04-14 | 2016-11-03 | California Institute Of Technology | Conformal optical metasurfaces |
CN108318947A (zh) * | 2018-04-08 | 2018-07-24 | 中山大学 | 一种低折射率全介质平面透镜的制作方法 |
CN108508506A (zh) * | 2018-04-16 | 2018-09-07 | 东莞理工学院 | 基于介质超表面的波片和光学器件相结合的双功能器件 |
CN109814195A (zh) * | 2019-03-29 | 2019-05-28 | 武汉邮电科学研究院有限公司 | 基于偏振的多功能超表面结构、超表面元件及加密方法 |
CN109962688A (zh) * | 2019-04-04 | 2019-07-02 | 北京邮电大学 | 基于深度学习神经网络的全介质超材料滤波器传输特性的快速预测与反向结构设计方法 |
CN110618535A (zh) * | 2019-08-21 | 2019-12-27 | 深圳珑璟光电技术有限公司 | 偏振多通道超构表面光学元件及重建全彩全息图像的方法 |
CN112214719A (zh) * | 2020-10-27 | 2021-01-12 | 南开大学 | 一种利用级联深度神经网络的介质超表面逆向设计算法 |
Non-Patent Citations (3)
Title |
---|
ZHONGYI GUO、LIHUA TIAN、FEI SHEN、HONGPING ZHOU、KAI GUO: "Mid-Infrared polarization devices based on the double-phase modulating dielectric metasurface", 《JOURNAL OF PHYSICS D: APPLIED PHYSICS》 * |
ZILE LI、GUOXING ZHENG、 PING’AN HE、 SONG LI、 QILING DENG等: "All-silicon nanorod-based Dammann gratings", 《OPTICS LETTERS》 * |
丁洪贞等: "基于几何相位的线偏振聚焦超表面器件", 《光学仪器》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zangeneh-Nejad et al. | Analogue computing with metamaterials | |
Gombert et al. | Some application cases and related manufacturing techniques for optically functional microstructures on large areas | |
CN114089579A (zh) | 用于光学神经网络的设备和方法 | |
CN105487145A (zh) | 一种基于人工微结构超表面构造超薄光学透镜的方法 | |
Lu et al. | Miniaturized diffraction grating design and processing for deep neural network | |
CN111582435B (zh) | 基于残差网络的衍射深度神经网络系统 | |
Ram et al. | Efficient light-trapping with quasi-periodic uniaxial nanowrinkles for thin-film silicon solar cells | |
CN113219577A (zh) | 一种超构表面实现高消光比红外带通偏振片及逆向设计法 | |
Cem et al. | Data-efficient modeling of optical matrix multipliers using transfer learning | |
Jin et al. | Properties of the finite Airy beam propagating in the misaligned slab system with a rectangular aperture | |
Yang et al. | The study of a nano-porous optical film with the finite difference time domain method | |
CN107861240A (zh) | 曲面基底多层衍射光学元件的制作方法及装置 | |
Zhang et al. | Photo-written waveguides in iron-doped lithium niobate crystal employing binary optical masks | |
Prokopeva et al. | Nanoplasmonics FDTD simulations using a generalized dispersive material model | |
Qu et al. | A Single-layer Microwave Logic Operator Based on Diffraction Neural Network | |
Li et al. | Genetically Designed Ultra-compact Wideband Multiple-use Reflectors with High Reflectivity Appling to Optics Communication | |
US20230351173A1 (en) | Method and Apparatus for Inverting Parameters of Vegetation Leaves Based on Remote Sensing | |
Xiong et al. | Advances and progress of diffractive deep neural networks | |
CN113219652A (zh) | 基于超构表面的窄带红外偏振片的设计方法及装置 | |
Knightle et al. | Temporal Derivatives Enabled by Neural Network-based Multilayered Metamaterial Designs | |
Sohag | Low Power-consuming Analog Computing Based on Metamaterials | |
Kita | On-chip photonic matrix processors accelerating inference for neural networks | |
Contractor | Application of the Rigorous Coupled-Wave Algorithm to Impedance-matched Metal-dielectric Metamaterials with Moth-Eye Surfaces | |
Yang et al. | Binary Optical Machine Learning: Million-Scale Physical Neural Networks with Nano Neurons | |
CN115130398A (zh) | 一种基于等效电路模型的超材料结构设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |
|
RJ01 | Rejection of invention patent application after publication |