CN116502545B - 一种面向广角耦合结构的遗传算法、应用及微结构光探针 - Google Patents
一种面向广角耦合结构的遗传算法、应用及微结构光探针 Download PDFInfo
- Publication number
- CN116502545B CN116502545B CN202310755376.2A CN202310755376A CN116502545B CN 116502545 B CN116502545 B CN 116502545B CN 202310755376 A CN202310755376 A CN 202310755376A CN 116502545 B CN116502545 B CN 116502545B
- Authority
- CN
- China
- Prior art keywords
- grating
- eta
- grating structure
- coupling
- coupling efficiency
- 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.)
- Active
Links
- 230000008878 coupling Effects 0.000 title claims abstract description 145
- 238000010168 coupling process Methods 0.000 title claims abstract description 145
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 145
- 230000003287 optical effect Effects 0.000 title claims abstract description 68
- 239000000523 sample Substances 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 44
- 230000002068 genetic effect Effects 0.000 title claims abstract description 44
- 239000000463 material Substances 0.000 claims abstract description 12
- 239000013307 optical fiber Substances 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 14
- 230000000737 periodic effect Effects 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 12
- 230000005672 electromagnetic field Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000009395 breeding Methods 0.000 claims 1
- 230000001488 breeding effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 16
- 239000000835 fiber Substances 0.000 description 10
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002086 nanomaterial Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000035559 beat frequency Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005253 cladding Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- -1 dielectric Substances 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000000609 electron-beam lithography Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000002839 fiber optic waveguide Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
- G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
- G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
- G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Optical Integrated Circuits (AREA)
Abstract
本发明的一种面向广角耦合结构的遗传算法、应用及微结构光探针，包括步骤S1，以光栅结构中高度H、周期Λ，光栅宽度w，光栅材料折射率n_g，入射角θ作为变量，以光栅耦合效率η和目标值η_ideal的均方误差为适应度函数，通过各光栅结构参数的不同组合，改变目标衍射级a_(+1)数值和光探针耦合效率η，通过步骤S1‑S8输出优化后的光栅结构。本发明的一种面向广角耦合结构的遗传算法、应用及微结构光探针，其根据目标波长、入射角度、波导结构等多种因素与需求，设定与衍射级工作效率相关的适应度函数，迭代提高衍射级数值，从而提高特定衍射级衍射效率，进行耦合效率优化，实现光束广角的高效耦进/出光波导。
Description
技术领域
本发明涉及广角光学信号探测技术领域，具体是指一种面向广角耦合结构的遗传算法、应用及微结构光探针。
背景技术
光纤作为一种光波传输媒介，因为其柔性化、高带宽、远距测量等优势在现代科技中得到了广泛应用。由光纤制备而成的光纤探针作为一种微纳米级别的光波导结构，不仅继承了光纤的本征优势，还能在微纳尺度上实现对光信号的调控，顺应了近年来微型化、集成化的发展潮流，在微纳光学领域具有良好的应用前景。尤其是在硅基集成光电芯片、扫描近场显微镜、广角内窥镜等众多领域中，光纤探针可以实现对入射光信号进行高效收集，且越高的光耦合效率通常决定着更佳的系统性能。因此，如何使用光波导探针进行高效光耦合，是光电探测、光通讯等领域的重要议题。
光纤探针主体部分是由光纤波导基底组成的。常见的光纤探针，可以是锥形光纤或者平整的光纤组成的。当入射光照射到光纤端面时，仅有特定入射角度范围内光可以被探针耦合。这些耦合光经过波导传播，在光纤探针另一端，可使用光功率计等工具，实现对耦合光的探测。但基于裸光纤信号探测的一大痛点是广角入射时信号损失大、耦合效率低。例如，通信单模光纤SMF-28，在波长1550nm处，其数值孔径NA仅为0.14，广角（>30°）入射时的耦合效率低于10-16。为此，典型研究方案为通过增大纤芯折射率与包层折射率的差值，扩大其数值孔径，进而提升耦合效率。例如孔隙微结构光纤或软玻璃材料填充光纤。然而，如上方案改变了光纤自身结构，极大挑战拉制工艺，易导致横截面变形、结构断裂等质量问题；同时，高NA光纤的模式种类增多（>1000）、模场不可控，易引起如模间拍频等现象，降低信号传输质量。
为此，一种基于微纳结构提高光波导耦合效率的光探针解决方案相继被提出并深入研究。基于微纳结构增强的光探针，其主体包括光纤波导基底和耦合结构等部分。其中耦合结构基于光栅衍射效应，光栅公式mλ=d(sinα±sinβ)，其中m为衍射级，λ为入射波长，d为光栅周期，α为入射角，β为衍射角，通过调控如填充系数、周期、折射率等光栅参数，从而提高广角角度入射光的特定衍射级工作效率（如+1阶衍射级a+1）。而且耦合结构通过电子束刻蚀、双光子聚合等微纳加工方法，制备于光纤波导端面，因此该方案具有非侵入式、无损伤、加工工艺通用等优点。例如，俄罗斯ITMO大学的Yermakov等人提出了一种基于环形光栅微结构的光探针，其广角入射70°耦合效率达到了约14%，是目前的最高广角耦合记录（ACSPhotonics 7 (10)，2834-2841）。但该探针只能工作在单角度（70°）单波长（1550nm），距实际应用需求（覆盖0-85°入射角度区间，且平均耦合效率曲线>10%）相差甚远。
为继续提高光探针的耦合结构工作效率，需要对微结构的填充系数、周期、折射率等多维参数进行针对性设计与优化。但传统微结构设计流程繁冗、效率低，人为调整几何参数，迭代式提高其性能。该过程耗时费力，需要大量计算资源的数值仿真程序；且面对多参数多目标场景，人类有限的脑力难以驾驭高设计自由度，导致所设计结构功能差强人意，无法满足实际应用需求。
总体而言，面向广角入射光探针的耦合结构，存在耦合数值低，收集角度小，无法满足应用需求；且传统设计流程繁冗、效率低，无法针对特定应用场景性能优化等一系列问题。
因此，如何解决新型的微结构增强光探针耦合结构设计效果差等问题，是本领域技术人员亟待解决的问题。
发明内容
本发明的目的第一个目的在于，针对现有技术中的问题，提供一种面向广角耦合结构的遗传算法。
为此，本发明的上述目的通过以下技术方案实现：
一种面向广角耦合结构的遗传算法，其特征在于，包含以下步骤：
步骤S1，以光栅结构中高度H、周期Λ，光栅宽度w，光栅材料折射率n_g，入射角θ作为变量，以光栅耦合效率η和目标值η_ideal的均方误差为适应度函数，通过各光栅结构参数的不同组合，改变目标衍射级a_(+1)数值和光探针耦合效率η；
步骤S2，使用电磁场仿真软件，获得光栅结构的a_(+1)和光探针的耦合效率η，并计算适应度函数F=MSE(η,η_ideal)；
步骤S3，判断当前光栅结构耦合效率η是否达到设定值η_ideal，如果达到，则直接输出当前光栅结构，如果未达到，则进入步骤S4；
步骤S4，进行筛选操作，从先前光栅结构中，以50%概率选择高耦合效率η的光栅结构组成新的光栅结构种群，以繁殖得到下一代光栅结构种群，其中的高耦合效率η的光栅结构指高于前一代耦合效率平均值η’的光栅结构；
步骤S5，进行交叉操作，从光栅种群中随机选择两种或多种光栅结构参数，通过参数变量的交换组合，把当前光栅的高耦合效率η特征遗传给下一代，从而产生新的优秀光栅结构组合，其中，新的优秀光栅结构的耦合效率η高于前一代耦合效率平均值η’；
步骤S6，进行变异操作，在当前光栅种群中，对某个光栅结构参数或参数组合进行随机变化，以期待产生更多光栅结构；
步骤S7，将步骤S4到S6得到的新一代光栅结构，通过步骤S2，计算适应度函数F=MSE(η,η_ideal)；
步骤S8，终止判断条件，最终光栅结构满足设定的耦合η_ideal，或者达到了预定的循环迭代次数，遗传算法会终止并输出优化后的光栅结构。
在采用上述技术方案的同时，本发明还可以采用或者组合采用如下技术方案：
作为本发明的优选技术方案：步骤S1中，光栅的横截面类型，包括但不限于三角形、圆形、正方形，以及各形状的组合。
作为本发明的优选技术方案：步骤S2中，电磁场仿真软件选用严格耦合波分析、有限元或有限差分时域法，或以上方法的组合。
本发明的目的第二个目的在于，针对现有技术中的问题，提供一种面向广角耦合结构的遗传算法的应用。
为此，本发明的上述目的通过以下技术方案实现：所述的面向广角耦合结构的遗传算法的应用，其应用于微结构光探针。
本发明的目的第三个目的在于，针对现有技术中的问题，提供一种微结构光探针。
为此，本发明的上述目的通过以下技术方案实现：
所述的微结构光探针，其特征在于：包括耦合微结构、光波导，耦合微结构制备于光波导的端面或侧面，耦合微结构为周期性光栅结构，周期性光栅结构由面向广角耦合结构的遗传算法优化的光栅结构周期分布组成，入射光通过耦合微结构的光栅调制作用，其正一阶衍射级可被耦合进光纤波导，并传输至光纤另一端射出，形成出射光，通过光功率计检测耦合光强，实现光栅类微结构广角高效耦合。
与现有技术相比，本发明具有以下有益效果：
本发明公开一种面向广角耦合结构的遗传算法、应用及微结构光探针，通过遗传算法，对面向广角入射光探针耦合结构的光栅周期、光栅宽度、材料折射率、光栅高度等参数进行调控，其根据目标波长、入射角度、波导结构等多种因素与需求，设定与衍射级工作效率相关的适应度函数，迭代提高衍射级数值，从而提高特定衍射级衍射效率，进行耦合效率优化，实现光束广角的高效耦进/出光波导。一种面向广角耦合结构的遗传算法应用的微结构光探针，基于耦合结构增强，广角耦合效率可达20%以上；面向高自由度微结构的设计，提高设计效率；可根据光耦合场景，对微结构和光波导的构成材料、结构参数、空间分布及耦合效率进行调整与定制，可拓展性强。本发明提供的一种面向广角耦合结构的遗传算法、应用及微结构光探针，可用于在集成光电芯片、扫描近场显微镜、随机光子信号探测、广角内窥镜等众多领域中，具有耦合效率高、一体制备完整度高、可拓展性强、应用场景广等优势，具有良好的发展前景，在光电芯片、集成光学、光互联、光纤集成纳米传感等领域具备应用前景。
附图说明
图1为使用本发明的一种基于微结构增强的光波导广角耦合探针工作原理图；
图2为本发明的一种面向广角耦合结构的遗传算法的流程图；
图3为本发明的一种面向广角耦合结构的遗传算法优化后的环状周期光栅结构单元侧视图（a）和扫描电镜俯视图（b）；
图4为基于该光栅增强的广角探针耦合数据与文献报道数据对比图；
附图中，入射光100；耦合微结构101；光波导102；出射光103；功率计104；入射角θ105；零阶衍射级106；正一阶衍射级107。
具体实施方式
参照附图和具体实施例对本发明作进一步详细地描述。
本发明的一种面向广角耦合结构的遗传算法，包含以下步骤：
步骤S1，设定光栅结构耦合效率设定值η_ideal，以及遗传算法循环迭代次数，将光栅结构参数输入电磁场仿真软件，以光栅结构参数作为变量，变量包括周期Λ、光栅宽度w、光栅材料折射率n_g、入射角θ、光栅结构横截面的各个参数；
步骤S2，使用电磁场仿真软件，获得光栅结构的a_(+1)和光探针的耦合效率η，以光栅耦合效率η和目标值η_ideal的均方误差为适应度函数，并计算适应度函数F=MSE(η,η_ideal)；
步骤S3，判断当前光栅结构耦合效率η是否达到设定值η_ideal，如果达到，则直接输出当前最佳光栅结构，如果未达到，则进入步骤S4；
步骤S4，进行筛选操作，从先前光栅结构中，以50%概率选择高耦合效率η的光栅结构组成新的光栅结构种群，用于繁殖得到下一代光栅结构种群，当光栅耦合效率η值高于前一代耦合效率平均值η＇时，判定其为高耦合效率光栅结构；
步骤S5，将步骤S4中的高耦合效率光栅结构进行交叉操作，形成高耦合效率光栅结构种群，从该种群中随机选择两种或多种光栅结构参数，通过参数变量的交换组合，把当前光栅的高耦合效率η特征遗传给下一代，用于产生新的优秀光栅结构组合，其中，新的优秀光栅结构组合中的各优秀光栅结构的耦合效率η高于高耦合效率光栅结构的平均值η2＇；
步骤S6，进行变异操作，选用步骤S4中的高耦合效率光栅结构，对若干个光栅结构参数进行随机变化，以产生其他光栅结构；
步骤S7，将步骤S4中选择的各高耦合效率光栅结构、步骤S5中得到的各优秀光栅结构、以及步骤S6中产生的其他光栅结构，通过步骤S2，分别获得各光栅结构的a_(+1)和光探针的耦合效率η，计算适应度函数F=MSE(η,η_ideal)；
步骤S8，当步骤S7中各光栅结构计算得到的适应度函数F=MSE(η,η_ideal)值为0时，判定该光栅为最优光栅，输出该最优光栅结构，并终止遗传算法；当步骤S7中各光栅结构计算得到的适应度函数F=MSE(η,η_ideal)值都不为0时，重新进入步骤S4，进行步骤S5、S6、S7运算，直至光栅结构计算得到的适应度函数F=MSE(η,η_ideal)值为0，或者达到了预定的遗传算法循环迭代次数。
步骤S1中，光栅的横截面类型，包括但不限于三角形、圆形、正方形，以及各形状的组合，光栅结构横截面的各个参数包括但不限于内角度、各边长、半径、弧长；
光栅结构横截面为三角形时，光栅结构横截面的各个参数包括内角度、各边长；
光栅结构横截面为圆形时，光栅结构横截面的各个参数包括半径；
光栅结构横截面为正方形时，光栅结构截面的各个参数包括边长；
光栅结构横截面为梯形时，光栅结构横截面的各个参数包括内角度、各边长；
光栅结构横截面为弧形时，光栅结构横截面的各个参数包括内角度、各边长和弧长。
图2为本发明的用于耦合结构优化设计的面向广角耦合结构的遗传算法。遗传算法是一种广泛应用于机器学习、信号处理、自适应控制等领域的优化方法，是模拟大自然中生物进化规律而设计的，其具体流程包括：数据输入->适应度函数计算->筛选->交叉->突变->终止条件判断->最终结构。
图2展示的面向广角入射光探针耦合结构遗传算法，其关键步骤是使用严格耦合波分析（RCWA）、有限元（FEM）、有限差分时域法（FDTD）等电磁场仿真软件，计算适应度函数F=MSE(η,η_ideal)。通常，可以将包括如高度H、周期Λ，宽度w等光栅结构参数，输入到如上电磁场仿真工具中，并建模仿真，从而得到该光栅结构的a_(+1)和光探针的耦合效率η。在此，以一种50°入射，目标光探针耦合效率η_ideal设定为0.5为例，适应度函数从而定义为F=MSE(a_(+1),0.5)。然后，光栅结构的高度H、周期Λ，宽度w等参数通过遗传算法中筛选、交叉、突变等步骤，可获的相应的适应度函数。在这些样本中，选取并保留符合耦合数值目标或接近耦合数值的光栅参数，并进入下一轮次的筛选、交叉、突变等步骤。直到最终结构满足设定的耦合η_ideal，或者达到了预定的循环迭代次数，遗传算法才会终止并输出优化后的光栅结构。
本发明的一种面向广角耦合结构的遗传算法用于设计广角入射光探针的周期性光栅。周期性光栅是由周期性排布的光栅结构组成的。具体而言，多个光栅单元通过周期排布、拉伸、旋转等方式，形成阵列结构或环状结构。在本实施例中，为简化复杂度，仅将考虑单个光栅单元的参数。以一种横截面为矩形的耦合光栅为例，光栅结构变量包括光栅高度H、周期Λ，光栅宽度w，光栅材料折射率n_g，入射角θ等作为系统变量。上述参数的不同组合，可以改变目标衍射级a_(+1)数值。
本发明中不限定光栅横截面类型，可以为矩形、梯形，也可以包括但不限于三角形、圆形、正方形等以及与上述形状的组合。
如图1所示，本发明的一种面向广角耦合结构的遗传算法的应用对象为广角耦合微结构光探针，包括耦合结构101和光波导102两部分。其中，光波导基底可采用光纤，这是一种由玻璃或塑料或者其他复合材料制成的纤维，利用光的全内反射原理，实现光的点对点传输。光探针的工作原理为：入射光100在入射角θ105入射时，通过耦合微结构101的光栅调制作用，其正一阶衍射级106可被耦合进光纤波导102，并传输至光纤另一端射出，射出出射光103，通过光功率计104检测耦合光强。耦合效率可评断光探针的光收集性能，一般用出射光103/入射光100的比值，定义耦合效率。
本发明的一种面向广角耦合结构的遗传算法用于设计广角入射光探针的周期性耦合光栅结构。周期性光栅是由周期性排布的光栅单元组成的。
本发明中所述的周期性光栅结构，通过本发明的一种面向广角耦合结构的遗传算法调控光栅周期、光栅宽度、材料折射率、光栅高度等参数，从而提高特定衍射级衍射效率，实现光束广角的高效耦进/出光波导。
具体而言，多个光栅单元组成光栅结构，光栅结构通过周期排布、拉伸、旋转等方式，形成阵列结构或环状结构。本发明的遗传算法根据目标波长、入射角度、波导结构等多种因素与需求，设定与衍射级工作效率相关的适应度函数，迭代提高衍射级数值，实行耦合效率优化。
优化后的耦合光栅，可使用如电子束光刻、双光子聚合等微纳加工方法，制备于光波导端面或侧面，从而实现光的高效耦进/耦出。
本发明的一种面向广角耦合结构的遗传算法应用的光波导广角耦合探针，其工作原理为：入射光102以入射角θ105入射光波导101，耦合微结构100，可调制入射光，产生如零阶105、正一阶104等衍射波，其衍射效率分别对应a_0105、a_(+1)104。特别是在大角度入射时，例如θ>30°，通过将a_(+1)104提高到一定数值如a_(+1)=1，从而提高广角入射时的耦合效率。图1所示的耦合结构100和光波导101仅作为示意图使用。
本发明中，所述耦合微结构，其尺寸适配目标光波导，以圆形光纤端面为例，其典型半径尺寸为数百纳米到数百微米，形貌为2D或3D立体结构，构成材料可为金属、介电质、高分子材料，或上述材料的组合。
本发明中，所述的光波导，其特征在于光波导可为单模光纤、多模光纤、多芯光纤等，或以上光纤组合，或片上光波导，或以上多种类型波导组合。
本发明的突出优势在于：基于本发明的一种面向广角耦合结构的遗传算法，面向高自由度耦合微结构应用场景，提高设计效率；基于微纳结构增强的光波导探针，广角耦合效率可达15%以上；可根据光耦合场景，对微结构和光波导的构成材料、结构参数、空间分布及耦合效率进行调整与定制，可拓展性强。
本发明提供的一种面向广角耦合结构的遗传算法，其应用的光波导广角耦合探针，可用于在集成光电芯片、扫描近场显微镜、随机光子信号探测、广角内窥镜等众多领域中，具有耦合效率高、一体制备完整度高、可拓展性强、应用场景广等优势，具有良好的发展前景，在光电芯片、集成光学、光互联、光纤集成纳米传感等领域具备应用前景。
实施例1
以单模通信光纤SMF-28为使用案例，本发明的一种面向广角耦合结构的遗传算法优化的微结构增强光波导探针。图3展示了一种周期性的横截面为梯形的光栅耦合结构。其侧视图如图3中的（a）所示，该梯形结构周期为2.1μm，高度为1.6μm，内角为85°。图3中的（b）展示了制备于SMF-28光纤端面的光栅俯视图，整体呈现多层环状形貌。注意，该环状光栅是将图3中的（a）中周期性结构，通过同轴平面旋转而得到的。该探针采用双光子三维光学制备方法-双光子激光直写技术，一体成型，其组成成分为高分子聚合物，具有杨氏模量高、集成度高、制备自由度高等优点。从图3中的（b）可以看出，结构表面平整、粗糙度精良、与原始设计尺寸相符。
图4展示了图3所示的光纤探针的广角耦合数据。其横坐标为入射角度θ，纵坐标为耦合效率幅值。该图中，实线和虚线分别表示微结构增强光纤和参考文献结构，参考文献为ACS Photonics 7 (10)，2834-2841。从图中可以得出，在入射角度30-60°，使用梯形光栅增强的光纤耦合效率提高到了27%，超过了目前公开报道耦合结构约14%的光纤耦合效率。本发明所称的广角，是指入射角度θ>20°。
上述具体实施方式用来解释说明本发明，仅为本发明的优选实施例，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改、等同替换、改进等，都落入本发明的保护范围。
Claims (4)
1.一种基于遗传算法的广角耦合结构的设计方法，其特征在于，包含以下步骤：
步骤S1，设定光栅结构耦合效率设定值η_ideal，以及遗传算法循环迭代次数，将光栅结构参数输入电磁场仿真软件，以光栅结构参数作为变量，变量包括周期Λ、光栅宽度w、光栅材料折射率n_g、入射角θ、光栅结构横截面的各个参数；
步骤S2，使用电磁场仿真软件，获得光栅结构的a_(+1)和光探针的耦合效率η，以光栅耦合效率η和目标值η_ideal的均方误差为适应度函数，并计算适应度函数F＝MSE(η,η_ideal)；
步骤S3，判断当前光栅结构耦合效率η是否达到设定值η_ideal，如果达到，则直接输出当前最佳光栅结构，如果未达到，则进入步骤S4；
步骤S4，进行筛选操作，从先前光栅结构中，以50％概率选择高耦合效率η的光栅结构组成新的光栅结构种群，用于繁殖得到下一代光栅结构种群，当光栅耦合效率η值高于前一代耦合效率平均值η＇时，判定其为高耦合效率光栅结构；
步骤S5，将步骤S4中的高耦合效率光栅结构进行交叉操作，形成高耦合效率光栅结构种群，从该种群中随机选择两种或多种光栅结构参数，通过参数变量的交换组合，把当前光栅的高耦合效率η特征遗传给下一代，用于产生新的优秀光栅结构组合，其中，新的优秀光栅结构组合中的各优秀光栅结构的耦合效率η高于高耦合效率光栅结构的平均值η2＇；
步骤S6，进行变异操作，选用步骤S4中的高耦合效率光栅结构，对若干个光栅结构参数进行随机变化，以产生其他光栅结构；
步骤S7，将步骤S4中选择的各高耦合效率光栅结构、步骤S5中得到的各优秀光栅结构、以及步骤S6中产生的其他光栅结构，通过步骤S2，分别获得各光栅结构的a_(+1)和光探针的耦合效率η，计算适应度函数F＝MSE(η,η_ideal)；
步骤S8，当步骤S7中各光栅结构计算得到的适应度函数F＝MSE(η,η_ideal)值为0时，判定该光栅为最优光栅，输出该最优光栅结构，并终止遗传算法；当步骤S7中各光栅结构计算得到的适应度函数F＝MSE(η,η_ideal)值都不为0时，重新进入步骤S4，进行步骤S5、S6、S7运算，直至光栅结构计算得到的适应度函数F＝MSE(η,η_ideal)值为0，或者达到了预定的遗传算法循环迭代次数。
2.如权利要求1所述的基于遗传算法的广角耦合结构的设计方法，其特征在于：步骤S1中，光栅的横截面类型，包括但不限于三角形、圆形、正方形，以及各形状的组合。
3.如权利要求1所述的基于遗传算法的广角耦合结构的设计方法，其特征在于：步骤S2中，电磁场仿真软件选用严格耦合波分析、有限元或有限差分时域法，或以上方法的组合。
4.选用权利要求1-3任一权利要求所述的基于遗传算法的广角耦合结构的设计方法的微结构光探针，其特征在于：包括耦合微结构、光波导，耦合微结构制备于光波导的端面或侧面，耦合微结构为周期性光栅结构，周期性光栅结构由基于遗传算法的广角耦合结构的设计方法优化的光栅结构周期分布组成，入射光通过耦合微结构的光栅调制作用，其正一阶衍射级可被耦合进光纤波导，并传输至光纤另一端射出，形成出射光，通过光功率计检测耦合光强，实现光栅类微结构广角高效耦合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310755376.2A CN116502545B (zh) | 2023-06-26 | 2023-06-26 | 一种面向广角耦合结构的遗传算法、应用及微结构光探针 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310755376.2A CN116502545B (zh) | 2023-06-26 | 2023-06-26 | 一种面向广角耦合结构的遗传算法、应用及微结构光探针 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502545A CN116502545A (zh) | 2023-07-28 |
| CN116502545B true CN116502545B (zh) | 2023-09-26 |
Family
ID=87325108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310755376.2A Active CN116502545B (zh) | 2023-06-26 | 2023-06-26 | 一种面向广角耦合结构的遗传算法、应用及微结构光探针 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502545B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1570687A (zh) * | 2004-05-09 | 2005-01-26 | 上海理工大学 | 基于遗传算法的波导－光纤自动调芯法及其装置 |
| CN101477224A (zh) * | 2009-01-20 | 2009-07-08 | 南京航空航天大学 | 基于遗传规划的Bragg光栅轴向非均匀应变重构方法 |
| CN108734292A (zh) * | 2018-05-04 | 2018-11-02 | 浙江大学 | 基于遗传算法的多片倾斜表面浮雕拼接光栅的优化方法及倾斜表面浮雕光栅波导显示系统 |
| CN110764255A (zh) * | 2019-10-21 | 2020-02-07 | 天津大学 | 波导显示亚波长衍射光栅的设计与优化方法 |
| WO2022179534A1 (en) * | 2021-02-24 | 2022-09-01 | The Chinese University Of Hong Kong | High coupling efficiency blazed waveguide grating coupler |
| CN115268065A (zh) * | 2022-06-06 | 2022-11-01 | 北京理工大学 | 基于粒子群的二维衍射波导显示系统及其均匀性优化方法 |
| CN115933063A (zh) * | 2022-12-12 | 2023-04-07 | 中国科学院上海微系统与信息技术研究所 | 一种基于遗传算法优化的变周期光栅耦合器 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114430875A (zh) * | 2019-09-02 | 2022-05-03 | Asml荷兰有限公司 | 基于光子晶体光纤的宽带光源的模式控制 |
-
2023
- 2023-06-26 CN CN202310755376.2A patent/CN116502545B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1570687A (zh) * | 2004-05-09 | 2005-01-26 | 上海理工大学 | 基于遗传算法的波导－光纤自动调芯法及其装置 |
| CN101477224A (zh) * | 2009-01-20 | 2009-07-08 | 南京航空航天大学 | 基于遗传规划的Bragg光栅轴向非均匀应变重构方法 |
| CN108734292A (zh) * | 2018-05-04 | 2018-11-02 | 浙江大学 | 基于遗传算法的多片倾斜表面浮雕拼接光栅的优化方法及倾斜表面浮雕光栅波导显示系统 |
| CN110764255A (zh) * | 2019-10-21 | 2020-02-07 | 天津大学 | 波导显示亚波长衍射光栅的设计与优化方法 |
| WO2022179534A1 (en) * | 2021-02-24 | 2022-09-01 | The Chinese University Of Hong Kong | High coupling efficiency blazed waveguide grating coupler |
| CN115268065A (zh) * | 2022-06-06 | 2022-11-01 | 北京理工大学 | 基于粒子群的二维衍射波导显示系统及其均匀性优化方法 |
| CN115933063A (zh) * | 2022-12-12 | 2023-04-07 | 中国科学院上海微系统与信息技术研究所 | 一种基于遗传算法优化的变周期光栅耦合器 |
Non-Patent Citations (2)
| Title |
|---|
| Optical Side-Coupling of Laser-Diode Array to Fiber using Genetic Algorithm Designed Sub-Wavelength Grating;I-Chou Wu;《2018 23rd Opto-Electronics and Communications Conference (OECC)》;全文 * |
| 亚波长多台阶结构大角度激光分束器设计;陈琪;李国俊;方亮;周崇喜;;中国激光(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502545A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lindenmann et al. | Connecting silicon photonic circuits to multicore fibers by photonic wire bonding | |
| KR20200141443A (ko) | 이중 재료 구조체를 포함하는 회절 격자 | |
| US7221846B2 (en) | Optical communication system | |
| CN113835158B (zh) | 自由空间光与光子芯片端面耦合方法 | |
| CN113568076B (zh) | 一种双功能超透镜和光的旋性探测方法 | |
| CN108227188A (zh) | 一种基于混沌粒子群算法的全随机硅基波导光栅设计方法 | |
| CN117420633B (zh) | 一种基于复合型微纳光栅结构的光纤探针 | |
| CN116502545B (zh) | 一种面向广角耦合结构的遗传算法、应用及微结构光探针 | |
| CN102737713B (zh) | 基于线性阵列多芯光纤的二维集成式光纤在线存储器 | |
| Delâge et al. | Monolithically integrated asymmetric graded and step-index couplers for microphotonic waveguides | |
| CN102109635B (zh) | 倾斜长周期及超长周期光纤光栅的激光脉冲写制方法 | |
| TWI447453B (zh) | 光學星形耦合器 | |
| WO2003075054A1 (en) | Device for bending an optical beam, in particular in an optical integrated circuit | |
| US11572470B2 (en) | Materials for autonomous tracking, guiding, modulating, and harvesting of energetic emissions | |
| Zubia et al. | Barrier sensor based on plastic optical fiber to determine the wind speed at a wind generator | |
| CN113673677B (zh) | 一种非线性激活函数relu的实现方法、设备及介质 | |
| CN113296184B (zh) | 一种基于余弦弯曲的桥型交叉结构的聚合物微纳光纤 | |
| Zhang et al. | Single mode-fiber scale based square solid immersion metalens for single quantum emitters | |
| CN114815057A (zh) | 一种聚焦型垂直光栅耦合器及其制备方法 | |
| CN111090147A (zh) | 一种集成纳米结构周期阵列的集成光波导 | |
| CN115808738B (zh) | 一种基于单个环形结构的中红外光栅耦合器及其仿真方法 | |
| CN111025482A (zh) | 一种模式高效耦合器及其制备方法 | |
| Manos et al. | Photonic device design using multiobjective evolutionary algorithms | |
| Park et al. | Ray model of an incident Gaussian beam for analyzing a micro-optical communication device with a GRIN lens system | |
| CN117250690B (zh) | 一种片上波导集成的光场聚焦方法与装置 |
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 |