L'IA S'ajoute Au Jeu Et La Super-optique Entre Dans Une Ère En Plein Essor
La lumière joue un rôle central dans le monde dans lequel nous vivons. C’est précisément en raison de l’importance et du caractère unique de la lumière que des géants scientifiques tels que Galilée, Newton, Maxwell et Einstein se sont tous consacrés à l’étude de la lumière. On peut dire que la recherche optique a une longue histoire. Cependant, avec le développement de la technologie et l’amélioration continue des besoins humains,Certaines limites de la recherche optique sont progressivement apparues.
L'imagerie optique traditionnelle approche de ses limites physiques en termes de fonctions matérielles et de performances d'imagerie, et ne peut plus répondre aux exigences des applications dans de nombreux domaines. Afin de relever ce défi, ces dernières années,Un nouveau domaine multidisciplinaire, « l’imagerie optique computationnelle », a émergé.Au début de l'année, il a été sélectionné comme l'une des dix principales tendances technologiques de 2023 par l'Alibaba Damo Academy.
Selon les experts, par rapport à l'imagerie optique traditionnelle, l'imagerie optique computationnelle intègre profondément la numérisation et les technologies de l'information dans la conception optique, en intégrant les logiciels et le matériel, et en insufflant une nouvelle « vie » à l'imagerie optique grâce à l'informatique. Son contenu de recherche couvre un large éventail, notamment FlatCAM, la technologie hyper-optique, etc. À cet égard, Bloomberg a publié un article d'opinion à la fin de l'année dernière disant :Imagerie optique computationnelleMeta Optics devrait attirer une large attention cette année et être transformateur au cours de la prochaine décennie.
Ensuite, l’une des branches de l’imagerie optique computationnelle estQue sont exactement les hyperoptiques ? Pourquoi s’est-il développé si vite ?Si nous examinons les raisons, nous constaterons qu'un facteur clé est naturellement indispensable dans le processus d'intégration de la numérisation et de l'informatisation mentionné ci-dessus : l'intelligence artificielle (ci-après dénommée IA).
Ensuite, cet article se concentrera sur l'article « Intelligence artificielle en méta-optique ».À partir de la combinaison de l'IA et de la super-optique, les derniers résultats de recherche dans des domaines connexes sont présentés en détail.Dans l’espoir d’inspirer les chercheurs scientifiques.
Aperçu des concepts clés de la méta-optique
En optique classique idéale, la propagation de la lumière dans deux milieux est liée à la vitesse de la lumière dans les milieux et aux propriétés optiques des deux milieux, telles que la réfraction et la réflexion de la lumière.L’émergence des méta-matériaux a modifié ce comportement optique.
Spécifiquement,La métasurface est constituée d’un ensemble de nanostructures.Également connus sous le nom d'hyperatomes, chacun d'entre eux étant considéré comme une source ponctuelle secondaire de lumière. Lorsque la lumière incidente rencontre cette interface, la nanostructure modifie les propriétés optiques de la lumière incidente et réémet de nouvelles ondes électromagnétiques. En contrôlant efficacement la distribution de phase de la métasurface, le front d'onde de la lumière incidente peut être reconstruit avec des propriétés uniques et de nouvelles fonctionnalités.
Le traitement de l’hyper-optique est un moyen direct de relier la conception théorique et l’application pratique.À l'heure actuelle, la technologie de traitement a également été bien développée à des fins différentes, telles que l'échelle de sous-longueur d'onde, la gravure structurelle, la grande surface, le rapport hauteur/largeur élevé, le rendement élevé, etc.
À cet égard,Les chercheurs ont présentéTechnologie de traitement des méta-dispositifs optiques,Parmi elles, les méthodes de traitement les plus couramment utilisées sont la photolithographie, la lithographie par faisceau d'électrons (EBL), la lithographie par faisceau d'ions focalisés (FIB), la nano-impression, l'écriture directe au laser et l'impression 3D. Grâce à ces méthodes de traitement avancées, les super dispositifs peuvent être davantage appliqués.
Pour répondre aux besoins optiques, de nouveaux métadispositifs dotés de fonctions optiques spéciales ont été développés. Les principaux avantages des métadispositifs sont leurs nouvelles propriétés, leur taille compacte, leur poids plus léger, leur rendement élevé, leurs meilleures performances, leur fonctionnement à large bande, leur faible consommation d'énergie, leur réduction du volume de données et leur compatibilité CMOS pour la production de masse.Les métadispositifs optiques ont été bien développés dans des technologies telles que la mise en forme du faisceau, la déviation et la réflexion anormales, le contrôle et l'analyse de la polarisation.
Tirer parti de l'IA pour faire de grands progrès
L'axe horizontal représente l'année et l'axe vertical représente le nombre de publications par an.
Comme le montre la figure ci-dessus, les tendances de développement de l'IA et de l'hyperoptique sont à peu près les mêmes, et les deux sont entrées dans une période de croissance rapide vers 2012. Dans cette étude,Les chercheurs ont spécifiquement analysé L'application de l'IA aux problèmes directs et inverses en méta-optique, l'analyse de données basée sur des systèmes de métasurfaces et les méta-dispositifs programmables intelligents.
Modélisation de substitution
Modélisation des propriétés optiques
L’IA, en particulier l’apprentissage profond, offre un raccourci direct et efficace pour la simulation optique. Ces dernières années, l’utilisation de l’IA pour la modélisation des agents a obtenu des résultats remarquables. Dans les modèles de substitution, les ANN sont souvent utilisés comme prédicteurs approximatifs des réponses optiques des métaatomes. et,Dans certaines tâches de conception, le réseau de neurones artificiels utilisé pour le modèle de substitution est la solution optimale.
En 2019,Sensong An et Clayton Fowler, chercheurs postdoctoraux au Département des sciences et de l'ingénierie des matériaux du MIT, et d'autres ont proposéUn réseau neuronal profond appelé Predicting NN,Modélisation des réponses en amplitude et en phase des méta-atomes entièrement diélectriques dans la gamme 30-60 THz.
Comme le montre la figure a ci-dessous, l'entrée du NN prédictif correspond aux paramètres géométriques et la sortie aux coefficients de projection réels ou virtuels. Sensong An, Clayton Fowler et d'autres ont développé deux DNN pour prédire respectivement les parties réelles et virtuelles. Les réponses d'amplitude et de phase requises sont ensuite calculées à l'aide des coefficients de projection.Cette opération indirecte est due àLes réponses typiques en amplitude et en phase des métaatomes changent brusquement à proximité de la fréquence de résonance.
(a) Prédiction de l'amplitude et de la phase du métaatome cylindrique
(b) Prédiction de l'amplitude et de la phase d'un métaatome entièrement isolant de forme libre
(c) Prédiction des sections efficaces de diffusion des nanoparticules à coque en matériau alternatif
(d) Prédiction de l'efficacité de diffraction d'un superatome polygonal à 16 côtés
(e) Prédiction des spectres d'absorption des superatomes de surface de forme libre à l'aide de DNN
(f) Prédiction du spectre d'absorption d'un superatome de surface de forme libre à l'aide de CNN et RNN
Les performances de prédiction des ANN sont fortement dégradées aux résonances en raison de la régression difficile des non-linéarités nettes, de sorte que les auteurs utilisent de manière innovante différentes parties réelles et virtuelles continues du coefficient de diffusion comme cibles de prédiction. À des vitesses de quelques millisecondes,La précision de prédiction des superatomes cylindriques et en forme de « H » a atteint plus de 99%, ce qui est 600 fois plus rapide que les simulations traditionnelles.
En 2020, Sensong An, Clayton Fowler et d'autres ont proposé une nouvelle méthode utilisant CNN pour caractériser l'amplitude et la phase des méta-atomes dans la même bande de travail. La différence est que,L'objet de modélisation est une structure de forme libre avec différentes propriétés de matériau, pas une structure simple.Comme le montre la figure b ci-dessus.
La surface de forme libre conçue comprend l'image du motif 2D, la taille du réseau, l'épaisseur de la structure et l'indice de réfraction du matériau. La tête du CNN est divisée en deux branches d'entrée. L'un traite l'image du motif 2D et l'autre traite les index des différents attributs. Grâce à des procédures de sous-échantillonnage et de suréchantillonnage, les deux branches sont recombinées en cartes de caractéristiques de dimensions correspondantes. La sortie est toujours au format des parties réelles et imaginaires du coefficient de diffusion.
Par rapport aux travaux précédents, cette approche utilise davantage de données de formation et offre plus de puissance pour la conception de surfaces de forme libre. aussi,Dans les mêmes conditions matérielles, la vitesse de prédiction est 9 000 fois plus rapide que la simulation traditionnelle.Cela dépasse également de manière significative les travaux précédents.
Évaluation des performances
Pour évaluer l’efficacité d’un modèle de substitution, sa précision est souvent comparée aux outils de simulation traditionnels qui résolvent les équations de Maxwell. D’une manière générale, la plupart des modèles proxy présentent une grande fidélité en termes de diverses propriétés optiques. En plus d'une précision qualifiée,Les modèles proxy sont des ordres de grandeur plus rapides que les simulations traditionnelles.
(a) Spectre d'absorption d'une structure de surface de forme libre
(b) Réponses en amplitude et en phase du métaatome en forme de « H »
(c) Diffusion vers l'avant et vers l'arrière de la nanobâtonnet en modes TE et TM, et distribution du champ électrique interne (en haut)
(d) Spectre de réflectance et spectre CD correspondant
(e) Vérifier le spectre de transmission à l'aide de mesures de conceptions de processus réelles
(f) Comparaison du temps de calcul entre la simulation numérique et le modèle proxy basé sur l'apprentissage profond
Pour résumer la modélisation de substitution avec les ANN, le tableau suivant répertorie les informations intéressantes pour une comparaison et une compréhension directes. Des protons aux superatomes diélectriques, les matériaux répertoriés dans le tableau couvrent les métaux et les diélectriques courants. Les références sélectionnées dans le tableau ont des réponses de modélisation différentes,Prouver que le courantLe modèle proxy peut apprendre presque toutes les propriétés optiques courantes à partir de la géométrie structurelle des superatomes.
Cependant, en tant que solution approximative des équations de Maxwell,Le modèle proxy présente également trois inconvénients :
* Les performances du modèle proxy sont limitées par la construction des données d’entraînement. Chaque modèle ne peut fonctionner que dans des conditions spécifiques (telles que la transmittance, la réflectivité, la polarisation, etc.) et des longueurs d'onde de travail spécifiques.
* Les performances de certains modèles proxy se dégraderont aux fréquences de résonance.
* Le processus de génération de données de formation est une tâche fastidieuse et exigeante en main-d’œuvre.
Néanmoins, les modèles de substitution basés sur les ANN sont des ordres de grandeur plus rapides que les outils de simulation traditionnels et, en plus de leur vitesse, les modèles de substitution présentent un autre avantage. Dans la conception inverse de la méta-optique, une réponse de simulation en temps réel est requise. Par rapport aux logiciels commerciaux actuels,Les modèles de substitution basés sur les ANN peuvent être facilement intégrés dans des schémas de conception inverse et offrent une plus grande liberté de conception.
Conception inversée
Réseaux neuronaux basés sur le gradient
Selon le type de modèle utilisé,La conception inverse assistée par apprentissage profond peut être divisée en deux parties :
1. Basé sur le modèle discriminant
2. Basé sur le modèle génératif
La méthode de conception inverse basée sur le modèle discriminant peut être divisée en deux catégories. La première catégorie consiste à placer les paramètres de conception à la position d'entrée, et la réponse cible en tant que sortie affectera les paramètres de conception par rétropropagation. Ce type de solution de conception est simple, mais prend du temps en tant que méthode d’optimisation itérative.Le deuxième type est plus direct et constitue donc la méthode la plus courante.Autrement dit, étant donné une valeur attendue, NN génère une valeur prédite.
(a) Propriétés optiques cibles et paramètres d'absorptivité de S
(b) Flux de travail de conception proposé
(c) Graphiques 3D du modèle étudié, qui peuvent être représentés par une matrice
La conception inverse basée sur NN nécessite moins de connaissances optiques. Les réseaux de neurones artificiels ne fournissent qu’une solution approximative au système, qui n’est pas exactement la même que l’exigence cible. La plupart des méthodes affichent une précision de 70%+ lorsqu'elles sont conçues à la demande, ce qui est assez rapide. La méthode traditionnelle d’essais et d’erreurs de conception inverse prend du temps et ne peut pas garantir l’exactitude de la solution. Malgré les différences,Mais la solution proposéeC'est mieux que pas de solution.
Calcul évolutif sans gradient
Le calcul évolutif est une branche importante de l’IA et une famille d’algorithmes métaheuristiques, comprenant des algorithmes génétiques, des algorithmes évolutifs, des algorithmes de colonies de fourmis et des algorithmes d’essaim de particules. Il imite le processus d’évolution biologique et simule le processus de reproduction raciale à travers le processus itératif de programmes informatiques. Les mutations sont introduites à chaque génération sous forme de petits changements aléatoires, et les solutions de qualité inférieure sont éliminées par sélection. En fin de compte, la solution optimale est obtenue grâce à cette évolution.Le calcul évolutif est souvent considéré comme un ensemble d’algorithmes d’optimisation globaux.
L'algorithme génétique (AG) est l'une des stratégies informatiques évolutives les plus couramment utilisées. aussi,Au cours des dernières années GA facilite grandement la conception inverse des métasurfaces.Tels que les superlentilles, les plaques quart d'onde térahertz, les métamatériaux programmables et les optiques en réseau sous-longueur d'onde.
Analyse des données
L’IA a également démontré ses puissantes capacités d’analyse de données dans la super-optiqueDes applications similaires incluent l'exécution de tâches de vision par ordinateur sur des images capturées à partir des métalens. L’IA est plus couramment utilisée pour traiter des données illisibles provenant de métasurfaces, telles que l’analyse d’images, les signaux micro-ondes et les informations spectrales infrarouges.
(ac) Analyse de données pour les tâches de classification de la composition chimique
(a) Schéma du classificateur chimique de métasurface
(b) Spectre de transmission de chaque produit chimique
(c) Visualisation des résultats de classification des deux premières composantes principales (en haut) et des trois premières composantes principales via l'ACP
(dg) Analyse des données d'imagerie acoustique
(d) Schéma de principe de la configuration expérimentale
(e) Propagation d'ondes avec des composantes de vecteur d'onde de grande amplitude contenant des informations de signature sous-longueur d'onde sans (à gauche) et avec (à droite) une métalens.
(f) Flux de données de la source de rayonnement à la reconstruction et à l'identification en aval
(g) Résultats de reconstruction et de reconnaissance des informations en champ lointain sans superlentille (en haut) et avec superlentille (en bas)
Super dispositifs programmables intelligents
Grâce à l’IA, un système basé sur des métasurfaces programmables agit comme un ordinateur avec un processeur installé. Lorsqu'une métasurface programmable ou reconfigurable est combinée à l'IA, le flux de données entre elles forme une boucle. L'IA est responsable de l'acquisition et du traitement des données optiquesdonnées et réguler la reconstruction de métasurfaces programmables.
Cela permet à la métasurface d'évoluer d'un élément de diffraction optique ordinaire vers un élément intelligent qui comprend les données d'entrée et donne des réponses en temps réel par lui-même.
(ac) Imageur intelligent
(b) 16 diagrammes de rayonnement et les diagrammes correspondants générés par l'apprentissage automatique
(c) Résultats d’imagerie basés sur l’apprentissage automatique pour les deux cas à différents temps de mesure (100, 200, 400 et 600).
(d) Imageurs et dispositifs de reconnaissance intelligents
(e) Une cape élégante
En plus des super appareils intelligents évoqués ci-dessus,Une métasurface programmable alimentée par l'IAIl peut également réaliser une formation de faisceau complexe en temps réel et former une perception tridimensionnelle.
L’ère des super-appareils pourrait bien arriver
Un rapport sur les technologies optiques et photoniques émergentes réalisé par Lux Research, une société de conseil américaine, montre que les matériaux méta-optiques ont été déployés commercialement.etIl représentera un marché de plusieurs milliards de dollars d’ici 2030.
parPrenons comme exemples Metalenz et NIL Technology, deux sociétés internationales leaders dans le domaine des métasurfaces, leurs progrès en matière de commercialisation comprennent :Metalenz combine la technologie méta-optique avec les processus de fabrication de semi-conducteurs, réalise une production de masse dans la fonderie de plaquettes de 12 pouces de STMicroelectronics et applique des métalens au capteur de télémétrie ToF de la série FlightSense de STMicroelectronics VL53L8 ; NIL Technology a construit une chaîne industrielle complète de métaux, comprenant la conception, le prototypage, les tests et la caractérisation, ainsi que les capacités de fabrication, et a réalisé des expéditions de métaux.
Il convient de noter que cette année,Metalen annonce l'acquisition deUn nouveau tour de table de 10 millions de dollars en capital-risque,« Nous pouvons remplacer jusqu'à six dispositifs optiques traditionnels dans les modules actuels par un seul dispositif méta-optique tout en améliorant les performances au niveau du système », a déclaré Robert Devlin, cofondateur et PDG de la société.
On peut constater que les super dispositifs représentés par les super lentilles passent des laboratoires à l'industrie, devenant progressivement un point chaud de la technologie optique de pointe, et devraient provoquer une révolution dans l'industrie optique. Parmi eux, l’IA joue un rôle essentiel dans le développement de la méta-optique. L’application de l’IA à l’hyper-optique peut résoudre des conceptions optiques complexes et obtenir rapidement les meilleures solutions aux problèmes tout en répondant aux besoins de nouvelles fonctions. Il est donc certain queLa combinaison des deux contribuera certainement davantage à la recherche et au développement de puces optiques avancées et favorisera la réalisation de dispositifs et de systèmes optiques de nouvelle génération dès que possible.
Liens de référence :
[1]https://baijiahao.baidu.com/s?id=1755507538405155365&wfr=spider&for=pc
[2]https://zhuanlan.zhihu.com/p/540485936
Adresse du document :