npj Nanophotonics· Licheng Wang·AI 评分36
基于椭圆散射体多体形状优化的片上纳米光子神经网络逆设计框架
Efficient multi-body shape optimization of on-chip nanophotonic neural network

AI 导读
一项发表于 npj Nanophotonics 的研究提出将椭圆 SiO₂ 散射体多体形状参数化与波场线性解耦策略结合的逆设计框架,用于片上纳米光子神经网络。
- 背景
- 集成光学神经网络被视为电子硬件之外的一条路径,其中纳米光子散射介质以极小尺寸实现复杂线性运算;但这类器件的逆向设计通常依赖三维 FDTD 仿真,样本量大时重复的全波计算代价极高。像素化拓扑优化还存在设计变量多、易产生碎片化细结构的问题。
- 做法
- 作者提出把椭圆 SiO2 散射体阵列的多体形状参数化,与基于波动的线性解耦策略结合:先由各输入端口单独激发得到基场,再按输入相位系数叠加出样本专属前向场与透射系数,并由损失对输出系数的导数叠加求出伴随场。椭圆几何引入取向角这一额外自由度。定量比较中,像素基线取 40 nm 方形像素;10×10 μm² 的 Iris 器件与 20×20 μm² 的 MNIST 器件分别有 6.25×10⁴ 与 2.5×10⁵ 个像素变量,而椭圆阵列表示为 750 个几何变量,自由度分别降低 83 倍与 333 倍。
- 结论
- 作者用 3D-FDTD 验证了针对 Iris 与 MNIST 任务逆向设计的紧凑片上光子神经分类器,报告了较高的推理精度。解耦形式减少了为每个训练样本重复进行全波仿真的轮次,从而提升数据密集型 ONN 优化任务的训练效率。MNIST 输入先经轻量卷积编码器压缩为 10 维潜向量,再转为相位编码光输入。
- 意义
- 结果显示,把几何自由度压缩到椭圆参数、把样本相关场评估换成基场线性组合,可以同时缓解设计维度与数据集规模两方面的计算压力。椭圆散射体的各向异性相比圆形散射体扩展了可访问的局部复响应空间。后续能否在更复杂任务与更严格的工艺约束下保持精度,正文未给出结论。
本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文
来源:npj Nanophotonics · nature.com