机器学习在信息超表面功能设计中的初步研究文献综述

 2022-10-16 14:48:49

  1. 文献综述(或调研报告):

超表面是一种通过控制波前相位、振幅以及偏振进行波束调控的新结构。根据最早的超表面研究者虞南方的定义,超表面是“能够使一束光在自由空间波长范围内产生相位、振幅及偏振突变效应的超薄平面光学元件”,其具有下列三个特点:

  1. 超表面对波前相位作用远大于累计作用;
  2. 满足亚波长条件,一般基于光学散射体设计;
  3. 单元设计灵活,可以通过结构设计达到阻抗匹配,增大透射率。

通过近几年的发展,超表面已形成相对独立的体系,同时又与表面等离子体光学、超构材料学等多个学科相互交融。回顾历史,我们会发现,利用表面结构实现电磁操控井非是一个全新的设计理念。早在20世纪40年代,Kock通过在聚苯乙烯泡沫中制备金属结构,从而在微波段实现了电磁聚焦功能。该微波透镜利用亚波长厚度的平面天线结构对电磁波的相位延迟进行调控。此外,在微波段还出现了一系列基于金属亚波长结构的平面化电磁调控器件,最典型的就是频率选择表面和反射阵列天线。由于加工技术等的限制,光波段超表面一直未能实现。近年来随着微纳加工技术以及金属表面等离子体(surface plasmon,SP)理论的快速发展,2005年出现了一类基于SP局域相位调制效应的新型光学超表面器件。利用金属狭缝中SP传播常数随狭缝宽度变化的特性,可实现灵活的局域相位调节,并基于此建立了超表面辅助的折反射定律,也称为广义折反射定律。2011年,哈佛大学Capasso团队利用V形天线结构构建了一种新型的超表面,并进一步明确了广义折反射定律这一概念,引起了国际上的研究热潮。超表面在保留了传统超材料独特电磁特性的基础上,兼具厚度薄、易加工等优势,在轻量化平面成像、电磁吸收和虚拟赋形、大视场全息等诸多领域具有广泛的应用潜力。基于广义折反射定律设计的超表面器件被认为是继第一代折反射光学元件和第二代衍射元件之后的第二代新型光学器件。超表面诞生至今,因其新颖的物理机制、丰富的物理图像和灵活的结构设计,研究者们提出了很多新颖的光学器件,包括平面透镜、偏振片和接收器等,利用超表面还可以实现涡旋光、调控表面等离激元等功能。

传统的电磁超材料与超表面都是基于连续变化的媒质参数,很难实时操控电磁波。2014年,崔铁军教授课题组在国际上首次提出“数字编码与可编程超材料”,提出用二进制数字编码来表征超材料的思想,通过改变数字编码单元“0”和“1”的空间排布来控制电磁波。这一概念的提出不仅简化了超材料的设计难度和优化流程,构建了超材料由物理空间通往数字空间的桥梁,使人们能够从信息科学的角度来理解和探索超材料。更重要地是,超材料的数字化编码表征方式非常有利于结合一些有源器件(例如二极管和MEMS开关等),在现场可编程门阵列(FPGA)等电路系统的控制下实时地数字化调控电磁波,动态地实现多种完全不同的功能。

在最简单的形式中,具有相反相位状态的双元件类型被标记为“0”与“1”,其包含1比特编码元件。比特(多比特)编码元件则由具有特定响应差异的种元件类型组成,我们可以将这些类型使用二进制编码序列“00hellip;0”,“00hellip;1”,hellip;,“11hellip;1”来表示,从而可以将超表面的设计有效地同数字编码元件联系起来。

编码元件的相位性能(在我们的研究中指的方形超原子)被微观超原子的图案决定,这意味着图案和相位性能之间的关系是唯一的。给出一个特定图案,目前获得相位性能的最先进的方法是使用电磁仿真包来运行数值仿真,其耗时相当巨大。这就促使我们寻找一种新的方法去获得对应图案的反射相位。深度学习框架在生物学、遗传学、材料科学和物理学上的快速渗透为我们提供了灵感,即使用机器学习或深度学习的方法进行设计。使用机器学习的方法,计算机可以从给定的数据中学习,并根据表达层次来构建数据结构。在我们的研究中,计算机可以从既往的知识之中自动且隐式地学习相位性能和对应图案的关系,避免了大量的数值计算。

为了将机器学习算法整合到我们的设计之中,我们选择的超原子是由许多方形金属子块组成的微观离散随机点阵。由于微观编码模式的随机性与多样性,在所有方向都可以存在多种补偿相位,据此我们提出了一个机器学习方法来设计各向异性数字编码超表面,对我们在特定方向所需要的精确相位值进行搜索。

首先,我们使用深度学习神经网络来预测巨大而复杂的系统。接着,利用深度学习与二进制粒子群优化算法相关联的机器学习设计,我们可以快速得到产生合乎相位性能需要的最佳编码模式(即方形金属子块的最佳排列)。

我们提出的微观超原子可能具有的图案多达种,而我们在训练网络学习晶胞图案与反射相位性能的关系时却仅仅使用了个训练样本,这无疑比小得多;额外的个随机选择的编码模式被用于验证此神经网络,并且相位响应在的范围之内误差不超过的准确率达到了90.05%。我们使用与训练样本完全不同的测试样本进行测试并且得到了满意的结果,这意味着我们的网络真正得习得了晶胞图案与反射相位关系之间关系的物理机制的内涵,而非机械记忆训练样本的分布。这极大减少了仿真的耗时,并且使得设计更多具有所需相位性能的晶胞成为了可能。

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。