原文信息
原文标题：“AI for optical metasurface”
第一作者：Akira Ueno、Juejun Hu、Sensong An
超表面的特性与商业化需求
作为一种由亚波长单元构成的二维人造材料阵列结构，超表面能够凭借特定的结构设计与排列，实现对光波相位、振幅和偏振的有效调控。历经多年发展，超表面正逐步从实验室迈向商业市场。要达成这一转变，需要更先进准确的超表面单元设计方法，要考虑加工制造过程中的偏差，还需引入特定处理算法以提升光学性能。那么，超表面怎样才能 “走进千家万户” 呢？人工智能给出了一套可行的解决方案。
AI X 超表面（来自原文）
AI 助力超表面单元设计突破局限
当前，超表面单元设计广泛采用的方法以周期性边界条件近似假设为基础。当相邻单元的耦合较弱且相位梯度较小时，这种方法可以快速设计出符合要求的超表面。但在该框架下，无法设计出具有大数值孔径和视场角的超表面（Metasurface）或超透镜（Metalens），而这恰恰是超表面相较于传统光学和衍射光学元件（DOE）的核心优势。
AI与超表面单元设计案例（来自原文）
近年来，研究人员提出了几种新颖的深度神经网络（DNN）模型，这些模型将相邻单元的形貌纳入输入范围，并利用大型数据集来识别实际边界条件下不同相邻单元产生的影响。例如，以目标单元和与其最相邻的八个单元作为输入，来预测目标单元的响应。利用时域有限差分法（FDTD）获取充足的训练数据后，模型能够充分考虑单元之间的相互耦合，进而输出高效率的超表面单元结构。
AI 应对超表面制造与封装偏差
在超表面的生产制造与封装过程中，必然会存在偏差，这是超表面设计中无法回避的问题。随着超表面逐渐走向产业化，缩小仿真与制造之间的性能差距成为关键。借助深度学习，我们可以在充分考虑制造公差的前提下对超表面进行设计与分析。
AI与超表面制造案例（来自原文）
针对最常见的几何形状变形和设计布局偏差，研究人员基于深度学习开发了超表面性能预测系统，该系统能够评估透过率和衍射效率随结构变化的趋势，进而找到对变化不敏感的结构（类似于传统光学设计中 “公差灵敏度” 低的结构）。此外，还可以基于卷积神经网络（CNN），筛选出适宜加工的超表面单元。
对于传统光刻工艺而言，光学邻近效应校正（OPC）本身就是改善设计偏差的重要环节。人工智能能够提供更准确的掩膜图案，从而实现对复杂超表面单元结构的精准投影曝光，降低特征尺寸（CD）的变化率，提高超表面器件的效率。
AI 提升超表面图像输出质量
人工智能与深度学习技术在图像后处理领域应用广泛，例如在智能手机中，通过合并多张图像来提高图像质量。对于超表面来说，类似的计算处理后端同样能够提升输出的图像质量，甚至可以改善其固有的性能限制。
完全依靠特定的结构设计来消除超表面在较大视场和较小 F 数成像时的色差，存在较大难度，而通过深度神经网络（DNN）的计算后处理，则能依据超透镜获取的图像得到高质量的彩色图像。也就是说，我们先 “预知” 超表面的像差，在此基础上，再借助人工智能来 “推算” 真实的图像。
AI与图像后处理案例（来自原文）
OAS 光学软件的超表面设计功能非常便捷，该功能将构建更为高效、精准的超表面设计流程，进一步推动光学领域的发展。OAS 光学软件已在超表面设计中展现卓越效能，为科研人员和工程师提供技术保障。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
