CN115857067A - 一种逆向设计的超构表面器件及其制备、设计方法 - Google Patents
一种逆向设计的超构表面器件及其制备、设计方法 Download PDFInfo
- Publication number
- CN115857067A CN115857067A CN202211739816.7A CN202211739816A CN115857067A CN 115857067 A CN115857067 A CN 115857067A CN 202211739816 A CN202211739816 A CN 202211739816A CN 115857067 A CN115857067 A CN 115857067A
- Authority
- CN
- China
- Prior art keywords
- reverse
- micro
- training
- layer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013461 design Methods 0.000 title claims abstract description 32
- 238000002360 preparation method Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000003287 optical effect Effects 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 14
- 239000000758 substrate Substances 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 40
- 239000002086 nanomaterial Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 239000002356 single layer Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000206 photolithography Methods 0.000 claims description 4
- 229920003229 poly(methyl methacrylate) Polymers 0.000 claims description 4
- 239000004926 polymethyl methacrylate Substances 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000000231 atomic layer deposition Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 238000005429 filling process Methods 0.000 claims description 3
- 238000010884 ion-beam technique Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000001020 plasma etching Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 229910010413 TiO 2 Inorganic materials 0.000 claims description 2
- 229920002120 photoresistant polymer Polymers 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 2
- 238000004528 spin coating Methods 0.000 description 2
- 229910002601 GaN Inorganic materials 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- CJNBYAVZURUTKZ-UHFFFAOYSA-N hafnium(IV) oxide Inorganic materials O=[Hf]=O CJNBYAVZURUTKZ-UHFFFAOYSA-N 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Micromachines (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本发明公开了一种逆向设计的超构表面器件及其制备、设计方法，包括从下至上依次设置的透明介质衬底与第一层电介质微纳单元结构、HSQ分隔层和第二层电介质微纳单元结构，根据层数不同可追加更多层数的微纳单元结构。本发明逆向设计的超构表面器件通过在现有数据库的基础上，采用逆向设计的方法，训练优化网络后获得了其他结构参数以及自由形状结构的光学响应，为正向设计方法中难以获得的高自由度形状提供了全新的设计思路。本发明利用GPU的并行计算能力提高计算性能，而且将多种算法相互融合，避免了局部最优解、难以收敛等问题，计算资源损耗低，计算结果优秀。采用套刻工艺进行多层的制备，工艺简单，层间对准精度高。
Description
技术领域
本发明涉及一种逆向设计的超构表面器件及其制备方法，属于光学超构技术领域。
背景技术
超构表面是一种由众多亚波长尺寸的单元(下统称微纳单元)周期排列形成的一种二维平面电磁波调控元件，凭借其上单元的任意选择与排列可以获得极高的设计自由度，从而实现对电磁波的振幅、偏振、相位等光学参量的灵活调控，足以满足大部分的应用需求。而光学超构表面(下统称超构表面)作为调控光束的二维平面元件，因其超轻薄、多功能、易集成等优良的特性获得了广泛的研究，展现出了不可估量的应用潜力，表现出以超构透镜、超表面全息等为代表的光学器件形式，逐渐应用于近眼显示、生物检测与国防科技等技术领域。然而现阶段在设计超构表面时往往采取数据驱动的正向设计方法，即借助Mie散射、等效波导等理论建立物理模型进行求解，但是在面对光谱、色散等设计情况下，超构表面的结构参数与所需的光学性能之间难以建立起直观的数值映射关系，因此需要通过大量的模拟计算生成微纳单元的光学响应数据库，进而通过在数据库中搜寻理想的微纳结构参数完成设计。这种庞大的计算资源需求在面对大面积、多功能等应用场景时尤为疲惫，且难以在大量局部最优解中计算获得理想最优值，因此限制了其应用范围。
发明内容
本发明提供一种逆向设计的超构表面器件及其制备方法。
本发明解决上述技术问题所采用的技术方案为：
一种逆向设计的超构表面器件，包括从下至上依次设置的透明介质衬底与第一层电介质微纳单元结构、HSQ分隔层和第二层电介质微纳单元结构，根据层数不同可追加更多层数的微纳单元结构。
优选为，所述第一层电介质微纳单元结构和第二层电介质微纳单元结构可以根据波段的不同选择对应的材料，包括TiO2、HfO2、GaN、Si。
优选为，所述第一层电介质微纳单元结构和第二层电介质微纳单元结构的高度范围为200-1500nm。
优选为，所述第一层电介质微纳单元结构和第二层电介质微纳单元结构的形状包括规则形状与自由形状，其中规则形状包括矩形、圆形等。
一种逆向设计的超构表面器件的设计方法，首先为了获得逆向设计需要的训练数据集，采用数值仿真软件计算规则形状建立数据库，即训练所需的数据集。
其次，将数据集分为训练集和测试集，进而构建强化学习网络，在正反向计算过程中均构建监督学习回归模型进行训练。通过对训练集建立回归模型训练神经网络，神经网络训练完成后获得微纳结构的尺寸参数，接下来用测试集预测其能够产生的光学响应，并以交叉验证和参数选择的方式，用判定系数和训练测试时间来评定网络模型的性能。在反向回归模型中，比对正向预测的结果与理想值的差异，以反馈的方式调整微纳结构的尺寸参数，进行正向训练预测-反向优化的过程，直到获得理想结果。
最后，将微纳结构分割为n×n的小像素结构，通过将每个位置的像素二值化处理规定是否将该像素填充结构，进而将像素图像与所需的光学相应作为网络的输入，构建生成对抗网络。采用模拟器、生成器与鉴别器这三个卷积神经网络对二值化结构参数进行正向训练，其中生成器的权重函数不仅会受到鉴别器和模拟器的影响，而且通过比对理想微纳结构的形状与生成器生成的结构之间的差异，以此为损失函数反向优化生成器的权重参数，以此不断更新形状参数，当损失函数达到一定阈值时，将像素化图像进行平滑处理，并经过固定权重的预训练模拟器，即不通过数值仿真的情况下实现对网络准确性的评估与验证，采用逆向设计的方法，训练优化网络后获得其他结构参数以及自由形状结构的光学响应。
一种逆向设计的超构表面器件的制备方法，所述制备方法包括以下步骤：针对单层超构表面选择共形填充工艺进行制备，首先在透明介质衬底上旋涂聚甲基丙烯酸甲酯和ZEP等抗蚀剂，烘烤后使用光刻技术进行曝光并显影定影；随后使用原子层沉积技术填充曝光的孔洞，并使用离子束刻蚀去除样品表面的抗蚀剂，最后使用反应离子刻蚀去除样品表面残余的光刻胶，获得单层超构表面。
与现有技术相比，本发明逆向设计的超构表面器件通过在现有数据库的基础上，采用逆向设计的方法，训练优化网络后获得了其他结构参数以及自由形状结构的光学响应，为正向设计方法中难以获得的高自由度形状提供了全新的设计思路。本发明完美利用GPU的并行计算能力提高计算性能，而且将多种算法相互融合，避免了局部最优解、难以收敛等问题，计算资源损耗低，计算结果优秀。本发明采用套刻工艺进行多层的制备，工艺简单，层间对准精度高。本发明可以适用于多种应用场合，根据输入光学需求的不同，均可生成相对应的结构参数。
附图说明
图1为本发明逆向设计的超构表面器件的设计路线示意图。
图2为本发明逆向设计的超构表面器件中规则形状微纳单元以及自由形状微纳单元示意图。
图3为本发明逆向设计的超构表面器件的制备工艺流程图。
图4为本发明逆向设计的超构表面器件的功能示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1至图4所示，一种逆向设计的超构表面器件包括从下至上依次设置的透明介质衬底、第一层电介质微纳单元结构、HSQ分隔层和第二层电介质微纳单元结构，根据层数不同可追加更多层数的微纳单元结构。
超构表面可以被提供以不同的应用需求，包括结构色、光谱、色散需求等。
超构表面设计方案根据不同的应用需求适用于不同的波段，包括可见光波段、紫外光波段与红外光波段。
第一层电介质微纳单元结构和第二层电介质微纳单元结构可以根据波段的不同选择对应的材料，包括TiO2、HfO2、GaN、Si等。
第一层电介质微纳单元结构和第二层电介质微纳单元结构的高度范围为200-1500nm，第一层电介质微纳单元结构和第二层电介质微纳单元结构的形状包括规则形状与自由形状，其中规则形状包括矩形、圆形等。
一种超构表面器件的逆向设计方法：设计超构表面时需要输入所需的光谱、色散等响应曲线参数与对应的数据集，同时构建正向训练与反向优化模型，在正向训练过程中预测给定结构参数的光学响应，并通过反向优化将理想结果与预测结果的差异反馈给结构参数，经过数次迭代完成超构表面的设计，并通过电磁场仿真软件等方法验证设计结果的准确性。
一种超构表面的制备方法：
针对单层超构表面选择共形填充工艺进行制备，首先在透明介质衬底上旋涂聚甲基丙烯酸甲酯(PMMA)和ZEP等抗蚀剂，烘烤后使用光刻技术(电子束曝光、纳米压印等)进行曝光并显影定影；随后使用原子层沉积技术填充曝光的孔洞，并使用离子束刻蚀去除样品表面的抗蚀剂，最后使用反应离子刻蚀去除样品表面残余的光刻胶，获得单层超构表面。
针对多层超构表面选择套刻工艺进行制备，在制备出首层超构表面的基础上追加曝光一个对准标记，进而旋涂HSQ等抗蚀剂用于间隔并保护不同的超构表面层，接下来在对准标记的基础上重复单层超构表面制备工艺，制备出能够精确对准的多层结构。
首先为了获得逆向设计需要的训练数据集，需要根据Mie散射与等效波导等理论探究电磁波在微纳单元中的传播机制，进而采用数值仿真软件计算规则形状(如各向同性的矩形、圆形以及各向异性的形状，如图2所示的振幅、相位等光学响应，从而建立数据库，即训练所需的数据集。
针对普通单个微纳结构的逆向设计，本发明将数据集分为训练集和测试集，进而构建强化学习网络，在正反向计算过程中均构建监督学习回归模型进行训练。通过对训练集建立高斯过程回归模型、决策树回归模型与多层感知机等回归模型训练神经网络，网络训练完成后便获得了微纳结构的尺寸参数，接下来用测试集预测其能够产生的光学响应，并以交叉验证和参数选择的方式，用判定系数和训练测试时间来评定网络模型的性能。在反向回归模型中，比对正向预测的结果与理想值的差异，以反馈的方式调整微纳结构的尺寸参数，如此往复地进行正向训练预测-反向优化的过程，直到获得理想的结果。其中在反向回归模型中采用强化学习可以有效地克服传统监督学习中非唯一解与收敛速度慢的缺陷。
为了提高微纳结构形状的自由度，本发明将微纳结构分割为n×n的小像素结构，通过将每个位置的像素二值化(0/1)处理规定是否将该像素填充结构，进而将像素图像与所需的光学相应作为网络的输入，构建生成对抗网络。其中采用模拟器、生成器与鉴别器这三个卷积神经网络对二值化结构参数进行正向训练，其中生成器的权重函数不仅会受到鉴别器和模拟器的影响，而且通过比对理想微纳结构的形状与生成器生成的结构之间的差异，以此为损失函数反向优化生成器的权重参数，以此不断更新形状参数，当损失函数达到一定阈值时，将像素化图像进行平滑处理，并经过固定权重的预训练模拟器，即可不通过数值仿真的情况下实现对网络准确性的评估与验证。
本发明逆向设计的超构表面器件通过在现有数据库的基础上，采用逆向设计的方法，训练优化网络后获得了其他结构参数以及自由形状结构的光学响应，为正向设计方法中难以获得的高自由度形状提供了全新的设计思路。本发明完美利用GPU的并行计算能力提高计算性能，而且将多种算法相互融合，避免了局部最优解、难以收敛等问题，计算资源损耗低，计算结果优秀。本发明采用套刻工艺进行多层的制备，工艺简单，层间对准精度高。本发明可以适用于多种应用场合，根据输入光学需求的不同，均可生成相对应的结构参数。
最后应说明的是：以上实施例仅说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种逆向设计的超构表面器件，其特征在于，包括从下至上依次设置的透明介质衬底与第一层电介质微纳单元结构、HSQ分隔层和第二层电介质微纳单元结构，根据层数不同可追加更多层数的微纳单元结构；设计超构表面器件时需要输入所需的光谱、色散响应曲线参数与对应的数据集，同时构建正向训练与反向优化模型，在正向训练过程中预测给定结构参数的光学响应，并通过反向优化将理想结果与预测结果的差异反馈给结构参数，经过数次迭代完成超构表面的设计。
2.根据权利要求1所述的一种逆向设计的超构表面器件，其特征在于，所述第一层电介质微纳单元结构和第二层电介质微纳单元结构根据波段的不同选择对应的材料，包括TiO2、HfO2、GaN、Si。
3.根据权利要求1所述的一种逆向设计的超构表面器件，其特征在于，所述第一层电介质微纳单元结构和第二层电介质微纳单元结构的高度范围为200-1500nm。
4.根据权利要求1所述的一种逆向设计的超构表面器件，其特征在于，所述第一层电介质微纳单元结构和第二层电介质微纳单元结构的形状包括规则形状与自由形状，其中规则形状包括矩形、圆形。
5.如权利要求1-4任一所述逆向设计的超构表面器件的制备方法，其特征在于，所述制备方法包括以下步骤：针对单层超构表面选择共形填充工艺进行制备，首先在透明介质衬底上旋涂聚甲基丙烯酸甲酯和ZEP抗蚀剂，烘烤后使用光刻技术进行曝光并显影定影；随后使用原子层沉积技术填充曝光的孔洞，并使用离子束刻蚀去除样品表面的抗蚀剂，最后使用反应离子刻蚀去除样品表面残余的光刻胶，获得单层超构表面。
6.如权利要求1-4任一所述逆向设计的超构表面器件的设计方法，其特征在于，一种逆向设计的超构表面器件的设计方法，首先为了获得逆向设计需要的训练数据集，采用数值仿真软件计算规则形状建立数据库，即训练所需的数据集；
其次，将数据集分为训练集和测试集，进而构建强化学习网络，在正反向计算过程中均构建监督学习回归模型进行训练；通过对训练集建立回归模型训练神经网络，神经网络训练完成后获得微纳结构的尺寸参数，接下来用测试集预测其能够产生的光学响应，并以交叉验证和参数选择的方式，用判定系数和训练测试时间来评定网络模型的性能；在反向回归模型中，比对正向预测的结果与理想值的差异，以反馈的方式调整微纳结构的尺寸参数，进行正向训练预测-反向优化的过程，直到获得理想结果；
最后，将微纳结构分割为n×n的小像素结构，通过将每个位置的像素二值化处理规定是否将该像素填充结构，进而将像素图像与所需的光学相应作为网络的输入，构建生成对抗网络；采用模拟器、生成器与鉴别器这三个卷积神经网络对二值化结构参数进行正向训练，其中生成器的权重函数不仅会受到鉴别器和模拟器的影响，而且通过比对理想微纳结构的形状与生成器生成的结构之间的差异，以此为损失函数反向优化生成器的权重参数，以此不断更新形状参数，当损失函数达到一定阈值时，将像素化图像进行平滑处理，并经过固定权重的预训练模拟器，即不通过数值仿真的情况下实现对网络准确性的评估与验证，采用逆向设计的方法，训练优化网络后获得其他结构参数以及自由形状结构的光学响应。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211739816.7A CN115857067B (zh) | 2022-12-30 | 2022-12-30 | 一种逆向设计的超构表面器件及其制备、设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211739816.7A CN115857067B (zh) | 2022-12-30 | 2022-12-30 | 一种逆向设计的超构表面器件及其制备、设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115857067A true CN115857067A (zh) | 2023-03-28 |
| CN115857067B CN115857067B (zh) | 2025-04-22 |
Family
ID=85656619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211739816.7A Active CN115857067B (zh) | 2022-12-30 | 2022-12-30 | 一种逆向设计的超构表面器件及其制备、设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115857067B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116300075A (zh) * | 2023-05-23 | 2023-06-23 | 华南师范大学 | 基于多头串联神经网络的层状纳米光子学器件设计方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200394275A1 (en) * | 2019-06-14 | 2020-12-17 | Palo Alto Research Center Incorporated | Design of microstructures using generative adversarial networks |
| CN114861520A (zh) * | 2022-03-24 | 2022-08-05 | 中国科学院上海微系统与信息技术研究所 | 一种宽频光学器件的逆设计方法 |
| CN115470687A (zh) * | 2021-06-11 | 2022-12-13 | 清华大学 | 基于深度神经网络的微纳结构逆设计方法及系统 |
-
2022
- 2022-12-30 CN CN202211739816.7A patent/CN115857067B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200394275A1 (en) * | 2019-06-14 | 2020-12-17 | Palo Alto Research Center Incorporated | Design of microstructures using generative adversarial networks |
| CN115470687A (zh) * | 2021-06-11 | 2022-12-13 | 清华大学 | 基于深度神经网络的微纳结构逆设计方法及系统 |
| CN114861520A (zh) * | 2022-03-24 | 2022-08-05 | 中国科学院上海微系统与信息技术研究所 | 一种宽频光学器件的逆设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李世瑜;陈树文;姜斌;张占田;杨玉刚;贺有臣;朱华涛;张倩;余曼;: "基于神经网络的光子器件逆设计研究进展", 光通信研究, no. 03, 10 June 2020 (2020-06-10) * |
| 胡跃强;李鑫;王旭东;赖嘉杰;段辉高;: "光学超构表面的微纳加工技术研究进展", 红外与激光工程, no. 09, 30 September 2020 (2020-09-30) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116300075A (zh) * | 2023-05-23 | 2023-06-23 | 华南师范大学 | 基于多头串联神经网络的层状纳米光子学器件设计方法 |
| CN116300075B (zh) * | 2023-05-23 | 2023-08-11 | 华南师范大学 | 基于多头串联神经网络的层状纳米光子学器件设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115857067B (zh) | 2025-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110678961B (zh) | 在光学光刻中模拟近场图像 | |
| Schubert et al. | Inverse design of photonic devices with strict foundry fabrication constraints | |
| Jenkins et al. | Establishing exhaustive metasurface robustness against fabrication uncertainties through deep learning | |
| CN105573066B (zh) | 光刻机掩模的优化方法 | |
| On et al. | Optimal design of microwave absorber using novel variational autoencoder from a latent space search strategy | |
| WO2023115611A1 (zh) | 基于水平集算法的超分辨光刻逆向光学邻近效应修正方法 | |
| CN115470687A (zh) | 基于深度神经网络的微纳结构逆设计方法及系统 | |
| Gostimirovic et al. | Deep learning-based prediction of fabrication-process-induced structural variations in nanophotonic devices | |
| US12092960B2 (en) | Mask topology optimization method and system for surface plasmon near-field photolithography | |
| CN114839841A (zh) | 一种厚胶光刻工艺的光强分布模拟方法 | |
| CN115857067A (zh) | 一种逆向设计的超构表面器件及其制备、设计方法 | |
| CN118484891A (zh) | 一种双目标空间位置和图像识别的超表面器件及实现方法 | |
| Jenkins et al. | General-purpose algorithm for two-material minimum feature size enforcement of freeform nanophotonic devices | |
| Dugan et al. | Spatially dispersive metasurfaces—Part III: Zero-thickness modeling of periodic and finite nonuniform surfaces | |
| Chen et al. | Algorithm-driven paradigms for freeform optical engineering | |
| US11900026B1 (en) | Learned fabrication constraints for optimizing physical devices | |
| Ma et al. | Inverse design of electromagnetic metamaterials: from iterative to deep learning-based methods | |
| Wen et al. | Inverse design of high efficiency and large bandwidth power splitter for arbitrary power ratio based on deep residual network | |
| Qian et al. | Deep learning for the design of random coding Metasurfaces | |
| Xu et al. | Freeform metasurface design with a conditional generative adversarial network | |
| CN119004956A (zh) | 一种具备全新拓扑的低成本可重构超表面设计方法 | |
| CN118036464A (zh) | 一种基于多层感知机的任意光谱点逆向设计超表面系统 | |
| Sun et al. | On-demand Quick Metasurface Design with Neighborhood Attention Transformer | |
| CN116070583A (zh) | 一种偏振调制纳米光子学器件的设计或优化方法 | |
| Qiu | Transfer learning for nanophotonics |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |