KI Bereichert Das Spiel Und Die Superoptik Erlebt Ein Boomendes Zeitalter

Licht spielt in der Welt, in der wir leben, eine zentrale Rolle. Gerade wegen der Bedeutung und Einzigartigkeit des Lichts haben sich wissenschaftliche Giganten wie Galileo, Newton, Maxwell und Einstein der Erforschung des Lichts gewidmet. Man kann sagen, dass die optische Forschung auf eine lange Geschichte zurückblickt. Doch mit der Entwicklung der Technologie und der kontinuierlichen Verbesserung der menschlichen Bedürfnisse,Nach und nach wurden einige Einschränkungen in der optischen Forschung deutlich.

Die herkömmliche optische Bildgebung stößt hinsichtlich Hardwarefunktionen und Abbildungsleistung an ihre physikalischen Grenzen und kann die Anwendungsanforderungen in vielen Bereichen nicht mehr erfüllen. Um dieser Herausforderung zu begegnen, haben wir in den letzten JahrenMit der „computergestützten optischen Bildgebung“ ist ein neues multidisziplinäres Feld entstanden.Anfang des Jahres wurde es von der Alibaba Damo Academy zu einem der zehn wichtigsten Technologietrends 2023 gewählt.

Experten zufolge integriert die rechnergestützte optische Bildgebung im Vergleich zur herkömmlichen optischen Bildgebung Digitalisierung und Informationstechnologie tief in das optische Design, integriert Software und Hardware und haucht der optischen Bildgebung durch Computertechnik neues „Leben“ ein. Die Forschungsinhalte decken ein breites Spektrum ab, darunter FlatCAM, hyperoptische Technologie usw. In diesem Zusammenhang veröffentlichte Bloomberg Ende letzten Jahres einen Meinungsartikel mit der Aussage:Computergestützte optische BildgebungMan geht davon aus, dass Meta Optics in diesem Jahr große Aufmerksamkeit erregen und im Laufe des nächsten Jahrzehnts einen Wandel herbeiführen wird.

Einer der Zweige der rechnergestützten optischen Bildgebung istWas genau ist Hyperoptik? Warum hat es sich so schnell entwickelt?Wenn wir die Gründe dafür untersuchen, werden wir feststellen, dass im Prozess der oben erwähnten sogenannten Integration von Digitalisierung und Informatisierung natürlich ein Schlüsselfaktor unverzichtbar ist – künstliche Intelligenz (im Folgenden KI genannt).

Als nächstes konzentriert sich dieser Artikel auf das Papier „Künstliche Intelligenz in der Metaoptik“.Ausgehend von der Kombination von KI und Superoptik werden die neuesten Forschungsergebnisse aus angrenzenden Bereichen detailliert vorgestellt.In der Hoffnung, wissenschaftlichen Forschern etwas Inspiration zu bieten.

Überblick über die wichtigsten Konzepte der Metaoptik

In der idealen klassischen Optik hängt die Ausbreitung von Licht in zwei Medien von der Lichtgeschwindigkeit in den Medien und den optischen Eigenschaften der beiden Medien ab, beispielsweise von der Brechung und Reflexion des Lichts.Das Aufkommen von Metamaterialien hat dieses optische Verhalten verändert.

Speziell,Die Metaoberfläche besteht aus einer Reihe von Nanostrukturen.Auch als Hyperatome bekannt, von denen jedes als sekundäre Punktlichtquelle gilt. Wenn einfallendes Licht auf diese Schnittstelle trifft, verändert die Nanostruktur die optischen Eigenschaften des einfallenden Lichts und strahlt neue elektromagnetische Wellen aus. Durch die effektive Steuerung der Phasenverteilung der Metaoberfläche kann die Wellenfront des einfallenden Lichts mit einzigartigen Eigenschaften und neuen Funktionalitäten rekonstruiert werden.

Die Verarbeitung von Hyperoptik ist ein direkter Weg, theoretisches Design und praktische Anwendung zu verbinden.Derzeit ist die Verarbeitungstechnologie auch für verschiedene Zwecke gut entwickelt, beispielsweise für den Subwellenlängenbereich, Strukturgravur, große Flächen, hohes Seitenverhältnis, hohe Leistung usw.

In diesem ZusammenhangDie Forscher stelltenOptische Meta-Geräteverarbeitungstechnologie,Zu den am häufigsten verwendeten Verarbeitungsverfahren zählen die Fotolithografie, die Elektronenstrahllithografie (EBL), die Fokussierte Ionenstrahllithografie (FIB), das Nanoimprinting, das Laserdirektschreiben und der 3D-Druck. Durch diese fortschrittlichen Verarbeitungsmethoden können Supergeräte weiter eingesetzt werden.

Um den optischen Anforderungen gerecht zu werden, wurden einige neue Metageräte mit speziellen optischen Funktionen entwickelt. Die großen Vorteile von Metageräten sind ihre neuartigen Eigenschaften, ihre kompakte Größe, ihr geringeres Gewicht, ihre hohe Effizienz, ihre bessere Leistung, ihr Breitbandbetrieb, ihr geringerer Energieverbrauch, ihre Reduzierung des Datenvolumens und ihre CMOS-Kompatibilität für die Massenproduktion.Optische Metageräte sind in Technologien wie Strahlformung, abnormaler Ablenkung und Reflexion sowie Polarisationskontrolle und -analyse gut entwickelt.

 Mit KI große Fortschritte erzielen

Wie aus der obigen Abbildung ersichtlich ist, sind die Entwicklungstrends von KI und Hyperoptik in etwa gleich, und beide traten um 2012 in eine Phase schnellen Wachstums ein. In dieser StudieDie Forscher analysierten insbesondere Die Anwendung von KI in direkten und inversen Problemen in der Metaoptik, Datenanalyse basierend auf Metaoberflächensystemen und intelligenten programmierbaren Metageräten.

 Ersatzmodellierung 

Modellierung optischer Eigenschaften

KI, insbesondere Deep Learning, bietet eine direkte und effiziente Abkürzung für die optische Simulation. In den letzten Jahren wurden durch den Einsatz von KI zur Agentenmodellierung bemerkenswerte Ergebnisse erzielt. In Ersatzmodellen werden neuronale Netzwerke häufig als ungefähre Prädiktoren der optischen Reaktionen von Metaatomen verwendet. Und,Bei bestimmten Entwurfsaufgaben ist das für das Ersatzmodell verwendete neuronale Netzwerk (KNN) die optimale Lösung.

Im Jahr 2019Sensong An und Clayton Fowler, Postdoktoranden in der Abteilung für Materialwissenschaft und Werkstofftechnik am MIT, und andere schlugen vorEin tiefes neuronales Netzwerk namens Predicting NN,Modellierung der Amplituden- und Phasenreaktionen von rein dielektrischen Metaatomen im Bereich von 30–60 THz.

Wie in Abbildung a unten gezeigt, besteht die Eingabe des vorhersagenden neuronalen Netzwerks aus den geometrischen Parametern und die Ausgabe aus den realen oder virtuellen Projektionskoeffizienten. Sensong An, Clayton Fowler und andere entwickelten zwei DNNs, um jeweils den realen und den virtuellen Teil vorherzusagen. Die erforderlichen Amplituden- und Phasengänge werden anschließend unter Verwendung der Projektionskoeffizienten berechnet.Dieser indirekte Vorgang ist aufDie typischen Amplituden- und Phasenreaktionen von Metaatomen ändern sich in der Nähe der Resonanzfrequenz abrupt.

(a) Amplituden- und Phasenvorhersage zylindrischer Metaatome

(b) Amplituden- und Phasenvorhersage von frei geformten, vollständig isolierenden Metaatomen

(c) Vorhersage von Streuquerschnitten von Nanopartikeln mit alternativen Materialschalen

(d) Vorhersage der Beugungseffizienz eines 16-seitigen polygonalen Superatoms

(e) Vorhersage von Absorptionsspektren von Freiform-Oberflächen-Superatomen mittels DNN

(f) Vorhersage des Absorptionsspektrums von Freiform-Oberflächen-Superatomen mittels CNN und RNN

Die Vorhersageleistung von neuronalen Netzwerken wird bei Resonanzen aufgrund der harten Regression scharfer Nichtlinearitäten erheblich beeinträchtigt. Daher verwenden die Autoren auf innovative Weise verschiedene kontinuierliche reale und virtuelle Teile des Streukoeffizienten als Vorhersageziele. Mit einer Geschwindigkeit von MillisekundenDie Vorhersagegenauigkeit zylindrischer und H-förmiger Superatome erreichte mehr als 99%, was 600-mal schneller ist als herkömmliche Simulationen.

Im Jahr 2020 schlugen Sensong An, Clayton Fowler und andere eine neue Methode mit CNN vor, um die Amplitude und Phase von Metaatomen im selben Arbeitsband zu charakterisieren. Der Unterschied ist,Das Modellierungsobjekt ist keine einfache Struktur, sondern eine Freiformstruktur mit unterschiedlichen Materialeigenschaften.Wie in Abbildung b oben gezeigt.

Die entworfene Freiformoberfläche umfasst das 2D-Musterbild, die Gittergröße, die Strukturdicke und den Materialbrechungsindex. Der Kopf des CNN ist in zwei Eingangszweige unterteilt. Einer verarbeitet das 2D-Musterbild und der andere verarbeitet die Indizes verschiedener Attribute. Durch Downsampling- und Upsampling-Verfahren werden die beiden Zweige zu Feature-Maps mit übereinstimmenden Abmessungen neu kombiniert. Die Ausgabe erfolgt weiterhin im Format der Real- und Imaginärteile des Streukoeffizienten.

Im Vergleich zu früheren Arbeiten verwendet dieser Ansatz mehr Trainingsdaten und bietet mehr Leistung für die Freiformoberflächengestaltung. Auch,Unter denselben Hardwarebedingungen ist die Vorhersagegeschwindigkeit 9000-mal schneller als bei einer herkömmlichen Simulation.Auch hier geht es deutlich über bisherige Arbeiten hinaus.

Leistungsbewertung

Um die Wirksamkeit eines Ersatzmodells zu beurteilen, wird seine Genauigkeit häufig mit herkömmlichen Simulationstools verglichen, die die Maxwell-Gleichungen lösen. Im Allgemeinen weisen die meisten Proxy-Modelle hinsichtlich verschiedener optischer Eigenschaften eine hohe Wiedergabetreue auf. Neben qualifizierter Genauigkeit,Proxy-Modelle sind um Größenordnungen schneller als herkömmliche Simulationen.

(a) Absorptionsspektrum einer Freiform-Oberflächenstruktur

(b) Amplituden- und Phasenantworten des H-förmigen Metaatoms

(c) Vorwärts- und Rückwärtsstreuung des Nanostabs im TE- und TM-Modus und interne elektrische Feldverteilung (oben)

(d) Reflexionsspektrum und entsprechendes CD-Spektrum

(e) Überprüfung des Transmissionsspektrums durch Messungen an tatsächlichen Prozessdesigns

(f) Vergleich der Rechenzeit zwischen digitaler Simulation und Deep-Learning-basiertem Proxy-Modell

Um die Surrogatmodellierung mit ANNs zusammenzufassen, listet die folgende Tabelle die interessanten Informationen zum direkten Vergleich und Verständnis auf. Von Protonen bis zu dielektrischen Superatomen decken die in der Tabelle aufgeführten Materialien gängige Metalle und Dielektrika ab. Die in der Tabelle ausgewählten Referenzen haben unterschiedliche Modellierungsantworten,Beweisen Sie, dass der aktuelleDas Proxy-Modell kann fast alle gängigen optischen Eigenschaften aus der Strukturgeometrie von Superatomen lernen.

Als Näherungslöser für die Maxwell-Gleichungen gilt jedochDas Proxy-Modell hat außerdem drei Nachteile:

* Die Leistung des Proxy-Modells wird durch die Konstruktion der Trainingsdaten begrenzt. Jedes Modell kann nur unter bestimmten Bedingungen (wie Durchlässigkeit, Reflektivität, Polarisation usw.) und bestimmten Arbeitswellenlängen betrieben werden.

* Die Leistung einiger Proxy-Modelle verschlechtert sich bei Resonanzfrequenzen.

* Der Prozess der Generierung von Trainingsdaten ist eine arbeitsintensive und langwierige Aufgabe.

Dennoch sind ANN-basierte Ersatzmodelle um Größenordnungen schneller als herkömmliche Simulationstools, und neben ihrer Geschwindigkeit haben Ersatzmodelle noch einen weiteren Vorteil. Beim inversen Design der Metaoptik ist eine Echtzeit-Simulationsreaktion erforderlich. Im Vergleich zu aktueller kommerzieller SoftwareAuf neuronalen Netzwerken basierende Ersatzmodelle können leicht in inverse Entwurfsschemata integriert werden und bieten mehr Gestaltungsfreiheit.

 Umgekehrtes Design 

Gradientenbasierte neuronale Netzwerke

Je nach verwendetem ModelltypDas Deep Learning-gestützte inverse Design kann in zwei Teile unterteilt werden:

1. Basierend auf dem Diskriminanzmodell

2. Basierend auf dem generativen Modell

Die auf dem Diskriminanzmodell basierende Methode des inversen Designs kann weiter in zwei Kategorien unterteilt werden. Die erste Kategorie besteht darin, die Entwurfsparameter an der Eingabeposition zu platzieren, und die Zielantwort als Ausgabe beeinflusst die Entwurfsparameter durch Rückausbreitung. Diese Art der Designlösung ist einfach, aber als iterative Optimierungsmethode zeitaufwändig.Der zweite Typ ist direkter und daher die gängige Methode.Das heißt, bei einem erwarteten Wert gibt NN einen vorhergesagten Wert aus.

(a) Zieloptische Eigenschaften und Absorptionsvermögen der S-Parameter

(b) Vorgeschlagener Design-Workflow

(c) 3D-Grafiken des untersuchten Modells, die durch eine Matrix dargestellt werden können

NN-basiertes inverses Design erfordert weniger optische Kenntnisse. ANNs liefern nur eine ungefähre Lösung für das System, die nicht genau der Zielanforderung entspricht. Die meisten Methoden weisen eine Genauigkeit von 70%+ auf, wenn sie auf Anfrage entwickelt werden, was ziemlich schnell ist. Die traditionelle Trial-and-Error-Methode des inversen Designs ist zeitaufwändig und kann die Genauigkeit der Lösung nicht garantieren. Trotz der UnterschiedeAber die vorgeschlagene LösungEs ist besser als keine Lösung.

Gradientenfreie evolutionäre Berechnung

Evolutionäre Berechnungen sind ein wichtiger Zweig der KI und eine Familie metaheuristischer Algorithmen, darunter genetische Algorithmen, evolutionäre Algorithmen, Ameisenkolonie-Algorithmen und Partikelschwarm-Algorithmen. Es ahmt den Prozess der biologischen Evolution nach und simuliert den Prozess der Rassenreproduktion durch den iterativen Prozess von Computerprogrammen. Mutationen werden in jeder Generation als kleine zufällige Änderungen eingeführt und minderwertige Lösungen werden durch Selektion verworfen. Letztendlich wird durch diese Entwicklung die optimale Lösung erreicht.Evolutionäre Berechnungen werden oft als eine Sammlung globaler Optimierungsalgorithmen betrachtet.

Der genetische Algorithmus (GA) ist eine der am häufigsten verwendeten Strategien des evolutionären Rechnens. Auch,In den letzten Jahren GA erleichtert das inverse Design von Metaoberflächen erheblich.Wie Superlinsen, Terahertz-Viertelwellenplatten, programmierbare Metamaterialien und Subwellenlängen-Gitteroptik.

 Datenanalyse 

KI demonstrierte ihre leistungsstarken Datenanalysefähigkeiten auch in der SuperoptikÄhnliche Anwendungen umfassen die Durchführung von Computer Vision-Aufgaben an mit der Metalinse aufgenommenen Bildern. KI wird häufiger zur Verarbeitung nicht lesbarer Daten von Metaoberflächen verwendet, etwa zur Bildanalyse, für Mikrowellensignale und Infrarotspektralinformationen.

(ac) Datenanalyse für Aufgaben zur Klassifizierung chemischer Zusammensetzungen

(a) Schematische Darstellung des chemischen Klassifikators für Metaoberflächen

(b) Transmissionsspektrum jeder Chemikalie

(c) Visualisierung der Klassifizierungsergebnisse der ersten beiden Hauptkomponenten (oben) und der ersten drei Hauptkomponenten durch PCA

(dg) Datenanalyse der akustischen Bildgebung

(d) Schematische Darstellung der experimentellen Konfiguration

(e) Wellenausbreitung von Wellenvektorkomponenten mit hoher Amplitude, die Signaturinformationen unterhalb der Wellenlänge enthalten, ohne (links) und mit (rechts) einer Metalinse.

(f) Datenfluss von der Strahlungsquelle zur Back-End-Rekonstruktion und -Identifikation

(g) Rekonstruktions- und Erkennungsergebnisse von Fernfeldinformationen ohne Superlinse (oben) und mit Superlinse (unten)

 Intelligente programmierbare Supergeräte 

Mithilfe von KI verhält sich ein auf programmierbaren Metaoberflächen basierendes System wie ein Computer mit eingebauter CPU. Wenn eine programmierbare oder rekonfigurierbare Metaoberfläche mit KI kombiniert wird, bildet der Datenfluss zwischen ihnen eine Schleife. KI ist für die Erfassung und Verarbeitung optischer Daten zuständigDaten und regulieren die Rekonstruktion programmierbarer Metaoberflächen.

Dadurch kann sich die Metaoberfläche von einem herkömmlichen optischen Beugungselement zu einem intelligenten Element entwickeln, das Eingabedaten versteht und selbstständig in Echtzeit reagiert.

(ac) Intelligenter Imager

(b) 16 Strahlungsmuster und die entsprechenden Muster, die durch maschinelles Lernen generiert wurden

(c) Maschinell lernende Bildgebungsergebnisse für die beiden Fälle zu unterschiedlichen Messzeitpunkten (100, 200, 400 und 600).

(d) Intelligente Bildgeber und Erkenner

(e) Ein schicker Umhang

Zusätzlich zu den oben besprochenen intelligenten Supergeräten,Eine programmierbare Metaoberfläche mit KI-UnterstützungDarüber hinaus ist eine komplexe Strahlformung in Echtzeit und die Bildung einer dreidimensionalen Wahrnehmung möglich.

 Das Zeitalter der Supergeräte könnte kommen

Ein Bericht des US-amerikanischen Beratungsunternehmens Lux Research über neue optische und photonische Technologien zeigt, dass metaoptische Materialien kommerziell eingesetzt werden.UndBis 2030 wird dieser Markt ein Volumen von mehreren Milliarden Dollar erreichen.

vonAm Beispiel von Metalenz und NIL Technology, zwei international führenden Unternehmen im Bereich Metaoberflächen, zeigen sich folgende Fortschritte bei der Kommerzialisierung:Metalenz kombiniert metaoptische Technologie mit Halbleiterherstellungsprozessen, erreicht Massenproduktion in der 12-Zoll-Wafergießerei von STMicroelectronics und wendet Metalinsen auf den ToF-Entfernungssensor VL53L8 der FlightSense-Serie von STMicroelectronics an; NIL Technology hat eine komplette Metalinsen-Industriekette aufgebaut, die Design, Prototyping, Tests und Charakterisierung sowie Fertigungskapazitäten umfasst, und konnte bereits Metalinsen ausliefern.

Es ist erwähnenswert, dass dieses JahrMetalen gibt die Übernahme vonEine neue Runde von 10 Millionen US-Dollar an Risikokapital,„Wir können bis zu sechs herkömmliche optische Geräte in aktuellen Modulen durch ein einziges meta-optisches Gerät ersetzen und gleichzeitig die Leistung auf Systemebene verbessern“, sagte Robert Devlin, Mitbegründer und CEO des Unternehmens.

Man kann erkennen, dass Supergeräte, repräsentiert durch Superlinsen, aus den Laboren in die Industrie gelangen, sich allmählich zu einem Hotspot in der optischen Spitzentechnologie entwickeln und voraussichtlich eine Revolution in der optischen Industrie auslösen werden. Unter anderem spielt KI eine entscheidende Rolle bei der Entwicklung der Metaoptik. Durch die Anwendung von KI auf Hyperoptik können komplexe optische Designs gelöst und schnell die besten Problemlösungen erzielt werden, während gleichzeitig die Anforderungen neuer Funktionen erfüllt werden. Daher ist es sicher, dassDie Kombination der beiden wird sicherlich weiter zur Forschung und Entwicklung fortschrittlicher optischer Chips beitragen und die schnellstmögliche Realisierung optischer Geräte und Systeme der nächsten Generation fördern.

Referenzlinks:

[1]https://baijiahao.baidu.com/s?id=1755507538405155365&wfr=spider&for=pc

[2]https://zhuanlan.zhihu.com/p/540485936

Papieradresse:

https://pubs.acs.org/doi/10.1021/acs.chemrev.2c00012