浙大学者利用机器学习模型助力微纳光学器件设计，攻克多功能复用器件的设计难题
source link: https://www.mittrchina.com/news/detail/10449
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
他叫马蔚，目前担任浙江大学信息与电子工程学院特聘研究员。其科研经历和一般人有着些微不同。本科和博士毕业于浙大和北大，先后学习电子科学和微电子学，随后到美国东北大学做博后。
求学之路进行到这里，似乎和很多科研人员一样。但在博后出站后，他并没有立马进入高校担任教职，而是在某金融科技头部公司，做了将近两年的资深算法研究员。
近日，他从人工智能的研究思路出发，与美国东北大学和南京大学合作，提出了一种利用机器学习模型助力微纳光学器件设计的全新框架。通过机器学习模型挖掘训练数据中设计结构与光学响应间的统计规律，并结合其他迭代优化算法，最终实现了超表面微纳光学器件的大规模、系统级寻优和设计。
基于此框架，他和同事设计了可在近红外波段 4 个波长、2 个正交偏振入射下实现 8 种不同功能的超表面聚焦反射镜和全息片，并在实验中加以验证。
“整个设计、加工、测试过程在我们两个国家、三个城市的团队间迭代了好多次，期间主要靠线上交流和样品邮寄维持项目的平稳推进，终于在不到两年的时间内高效地完成了所有的研究工作，取得了预期的效果。”对于最近发表的论文，马蔚表示。
近日，相关论文以《基于统计机器学习方法的极限多功能复用超表面的设计》（Pushing the Limits of Functionality-Multiplexing Capability in Metasurface Design Based on Statistical Machine Learning）为题发表在 Advanced Materials 上 [1]。
提出全新框架，用机器学习模型助力微纳光学器件设计
对于光波来说，它可以被幅度、相位、偏振、频率等参数描述。通过有效调控这些参数，可让人们以光为载体去实现通信、计算、传感、成像及信息处理等各种用途。其中，微纳光学器件在光场调控中起着重要作用。
例如，基于超表面（metasurface）的平面光学器件，通过人工设计的亚波长结构，再加上特定的排布方式，就能在全平的衬底上实现透镜、滤波、全息显示、偏振控制等功能，在制备上可采用常规的芯片加工方法，最终形成小型化、集成化的微纳光电子系统。
微纳光学器件的设计，核心是在亚波长尺度下的器件结构设计。常见设计方法是基于简化的物理模型或人工经验选择特定的设计模板，然后利用参数扫描法对器件结构进行优化。这类方法本质上属于试错式设计，具有很大的局限性。
具体来说，首先，采用的设计模板往往只能针对特定的简单功能，对于功能复杂或者多功能复用的要求，有时很难找到合适有效的初始设计模板；此外，在进行参数扫描时，必须采取数值仿真的方法对器件性能进行评估，大量的参数扫描非常耗时，优化效率低，只适用于少量设计参数的器件优化。因此，对于大规模、系统级的微纳光学器件的设计，常规方法的设计能力非常受限。
和原子组成自然材料相似，超表面是由二维排布的一系列人工设计的光子结构构成，因此超表面的设计核心，在于针对不同光学响应的人工光子结构设计。
如图一所示，本工作采用了两种机器学习模型，分别是用于预测人工光子结构光学响应的正向预测模型，和根据所需光学响应设计人工光子结构的逆向生成模型。这两种机器学习模型被嵌入到常规的迭代优化算法中，形成一个端到端的优化闭环，在给定设计目标后，这套算法框架就可以实现对微纳光学器件的自动优化和设计。
“无心插柳柳成荫”
本次研究是该团队此前工作的延续，基于机器学习的微纳光学器件设计的课题最早从 2016 年底开始构思，那时人工智能正迎来本轮发展的高峰，尤其是以深度学习为代表的数据驱动模型已经在传统的计算机视觉、自然语言处理等领域取得了空前的成功，并逐步在材料研发、生物分析等领域得到了探索与应用。
那一年，马蔚刚到美国做博士后，主要从事基于石墨烯的光电子器件的设计和实验。当时他发现，每次的器件设计优化都非常费时，都得尝试不同结构并进行参数扫描寻优，期间得到的大量中间数据结果基本都没有利用到。
在了解机器学习领域的最新发展和研究方法后，他与当时的导师美国东北大学机械工程系刘咏民教授讨论，决定分出一部分精力，专门进行机器学习用于光子学设计的研究，故该课题最早属于“无心插柳”的尝试。
确定研究方向后，他们先进行一系列的理论研究工作。实际上，与通常的模式识别任务类似，在光子学设计任务里面，所面临的主要问题也是光子器件结构与它的光学响应之间复杂的的联系。
当给定器件结构后，器件性能可以通过数值仿真的方法确定，但是逆向设计过程，也就是在面向特定性能需求时，很难获得满足要求的器件结构，往往存在“一对多”的复杂映射关系，在器件结构受限、且设计功能多样的情况下尤其困难。
而深度学习的方法通过数据驱动的思想建模，不直接引入人为设定的规则，是从大量数据中学习得到研究目标的规律与特征，这为解决光子学结构设计面临的问题提供了崭新的方向。
在理论建模的研究中，马蔚等人从 2018 年起，陆续发表了几篇理论文章和综述文章 [2-5]，这也让他们获得了广泛关注，其中 2 篇入选了 ESI 高被引论文或者热点论文。
在前两年探索的基础上，在本工作中他们更进一步，将机器学习模型与常规的迭代优化算法融合，如梯度下降算法、Gerchberg–Saxton（GS）算法、启发式算法等，形成了完整的超表面微纳光学器件的智能设计优化框架，利用模型的预测数据可以计算出互信息等统计量，用于半定量表征多功能器件设计中的功能串扰问题，这为多功能微纳光学器件提供了理论分析的依据和有效的设计保障。
基于此，该团队还系统地分析了在两个正交偏振和不同入射波长条件下，组成超表面的人工亚波长结构的反射系数的幅度和相位，利用机器学习模型筛选和优化出了符合要求的设计结构，并实验制备出可以在最多 8 个不同波长和偏振组合情况下不同功能的超表面聚焦反射镜和全息片。
值得注意的是，如果采用常规的手动设计方法将 2π相位离散成 8 个点，那么实现 8 个不同功能一共需要超过 1600 万个（88）人工微结构的设计，这在实际应用中利用参数扫描的方法是基本无法实现的。
解决实际应用中微纳光学器件的设计难题
该研究的最初出发点正是为了解决实际应用中微纳光学器件的设计难题，尤其是多功能超表面等复杂微纳光学器件的设计。超表面微纳光学器件在成像、显示、通信等领域都有很多应用，有不少的初创公司在推动超表面成像、滤波等功能产品。因此在超表面应用中，此次研究成果有望实现超表面的色差控制、提升器件的效率，并充分发挥超表面器件设计灵活、功能多样和易于集成的优势。
等到开展实验工作时，马蔚已经回国加入浙大并已展开新工作。当时，正是新冠疫情最严重的时期，在美国东北大学刘咏民教授和南京大学彭茹雯教授的支持下，他跟徐亦豪和熊波两位博士生，通过多次视频会议讨论，最终由马蔚主要负责理论设计，器件加工制备则在由南大由熊波完成，光学测试在美国由徐亦豪完成。
他说：“这篇文章我、徐亦豪和熊波是共同第一作者，也是我本人第一篇以共同第一作者署名的文章，让我在独立科研的初始阶段对科研合作有了更深刻的体会，非常感谢各个合作者的支持与帮助。”
接下来，结合马蔚自己目前的科研项目，他将继续把机器学习辅助光子结构设计应用到更多的领域。比如其目前重点研究的集成光学和硅基光电子学领域，目的是采用类似于集成电路的技术实现各类光子器件在同一衬底上的集成，可将光学系统的尺寸缩小至芯片级，并实现低成本、规模化的生产，这将是推进微纳光学大规模应用的重要途径。
而将人工光子结构和超表面的概念引入的集成光学中，并利用机器学习算法进行从器件到系统的多层级优化，有望突破传统器件功能单一、集成密度较低的瓶颈，为片上的复杂微纳光学系统提供了有效的设计保障。
同时，他也考虑更进一步地发展面向集成光学的自动化设计软件平台，类似于电子设计的 EDA 技术，实现集成光学系统的仿真、设计与系统优化功能。
-End-
1、W. Ma, Y. H. Xu, B. Xiong, L. Deng, R. W. Peng, M. Wang, and Y. M. Liu, "Pushing the Limits of Functionality-multiplexing Capability in Metasurface Design based on Statistical Machine Learning",Advanced Materials, 2110022 (2022)
https://onlinelibrary.wiley.com/doi/10.1002/adma.202110022?af=R
2、W. Ma, Z. C. Liu, Z. A. Kudyshev, A. Boltasseva, W. Cai and Y. M. Liu, "Deep Learning for the Design of Photonic Structures" (invited review), Nature Photonics 15, 77 (2021)
https://www.nature.com/articles/s41566-020-0685-y
3、Y. H. Xu, X. Z. Zhang, Y. Fu and Y. M. Liu, "Interfacing Photonics with Artificial Intelligence: An Innovative Design Strategy for Photonic Structures and Devices based on Artificial Neural Networks" (invited review), Photonics Research 9, B135 (2021)
https://opg.optica.org/prj/fulltext.cfm?uri=prj-9-4-B135&id=449792
4、W. Ma, F. Cheng, Y. H. Xu, Q. L. Wen and Y. M. Liu, "Probabilistic Representation and Inverse Design of Metamaterials based on a Deep Generative Model with Semi-supervised Learning Strategy", Advanced Materials 31, 1901111 (2019)
https://onlinelibrary.wiley.com/doi/full/10.1002/adma.201901111
5、W. Ma, F. Cheng and Y. M. Liu, "Deep-Learning-Enabled On-Demand Design of Chiral Metamaterials", ACS Nano 12, 6326-6334 (2018)
https://pubs.acs.org/doi/10.1021/acsnano.8b03569
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK