La superóptica con sobrepeso de IA entra en la era de los huracanes

Este artículo se publicó por primera vez desde la cuenta pública de WeChat de HyperAI ~
Descripción general del contenido: En los últimos años, con el fin de superar las limitaciones de la investigación óptica tradicional, ha surgido una tecnología emergente en la intersección de la óptica y la física, la hiperóptica, que ha demostrado una enorme perspectiva de mercado. En el proceso de rápido desarrollo de esta tecnología, la inteligencia artificial ha jugado un papel importante en su promoción con sus propias capacidades poderosas, entonces, ¿con qué tipo de chispas chocaron las dos? Este artículo presentará la serie de resultados relevantes para los lectores.

En el mundo en que vivimos, la luz juega un papel central. Es precisamente por la importancia y singularidad de la luz que gigantes científicos como Galileo, Newton, Maxwell y Einstein se han dedicado al estudio de la luz.Se puede decir que la investigación óptica tiene una larga historia. Sin embargo, con el desarrollo de la tecnología y la mejora continua de las necesidades humanas, han surgido gradualmente algunas limitaciones en la investigación óptica.

La imagen óptica tradicional está cerca del límite físico en términos de funciones de hardware y rendimiento de imagen, y no puede cumplir con los requisitos de aplicación en muchos campos. Para enfrentar este desafío, en los últimos años, un campo interdisciplinario multidisciplinario emergente "imágenes ópticas computacionales" ha surgido como lo requieren los tiempos, y fue seleccionado como una de las diez tendencias tecnológicas principales de 2023 por la Academia DAMO de Alibaba a principios de el año.

Según los expertos, en comparación con las imágenes ópticas tradicionales, las imágenes ópticas computacionales integran la digitalización y la informatización en el diseño óptico, integran software y hardware, inyectan nueva "vida" a las imágenes ópticas a través del cálculo, y su investigación cubre una amplia gama, que incluye FlatCAM, super- tecnología óptica, etc En este sentido, Bloomberg publicó un artículo de Opinión a fines del año pasado, diciendo que se espera que la tecnología Meta Optics en imágenes ópticas computacionales atraiga una atención generalizada este año y genere cambios en la próxima década.

Entonces, ¿qué es exactamente la metaóptica, una de las ramas de la imagen óptica computacional? ¿Por qué puede desarrollarse tan rápido? Mirando más profundamente las razones, un factor clave es naturalmente indispensable en la llamada integración de la digitalización y la informatización mencionada anteriormente: la inteligencia artificial (en adelante, AI).

A continuación, este artículo se centrará en el documento "Inteligencia artificial en metaóptica", a partir de la combinación de IA y metaóptica, y presentará en detalle los últimos resultados de investigación en campos relacionados, con la esperanza de inspirar a los investigadores.

Descripción general de los conceptos clave de Meta-Óptica

En la óptica clásica ideal, la propagación de la luz en dos medios está relacionada con la velocidad de la luz en el medio y las propiedades ópticas de los dos medios, como la refracción y la reflexión de la luz. La aparición de los metamateriales ha cambiado este comportamiento óptico.

Específicamente, la metasuperficie contiene una matriz de nanoestructuras, también conocidas como superátomos, cada una de las cuales actúa como una fuente de luz puntual secundaria. Cuando la luz incidente golpea esta interfaz, las nanoestructuras cambian las propiedades ópticas de la luz incidente y vuelven a irradiar nuevas ondas electromagnéticas. Al controlar efectivamente la distribución de fase de la metasuperficie, el frente de onda de la luz incidente se puede reconstruir con propiedades únicas y funciones nuevas.

Mecanizar meta-óptica es una forma directa de conectar el diseño teórico y la aplicación práctica. En la actualidad, para diferentes propósitos, como escala de sublongitud de onda, talla de estructura, área grande, alta relación de aspecto, alto rendimiento, etc., la tecnología de procesamiento también ha sido bien desarrollado.

En este sentido, los investigadores introdujeron la tecnología de procesamiento de metadispositivo óptico (Meta-Device), entre los cuales, los métodos de procesamiento más utilizados son la fotolitografía, la litografía por haz de electrones (EBL), la litografía por haz de iones enfocados (FIB), la nanoimpresión, escritura directa láser e impresión 3D. A través de estos métodos de procesamiento avanzados, los metadispositivos se pueden aplicar aún más.

Para cumplir con los requisitos ópticos, existen algunos metadispositivos con funciones ópticas nuevas y especiales. Las grandes ventajas de los dispositivos ultra radican en sus características novedosas, tamaño compacto, peso más ligero, alta eficiencia, mejor rendimiento, operación de banda ancha, menor consumo de energía, reducción en el volumen de datos y compatibilidad con CMOS, disponibles para producción en masa. Los metadispositivos ópticos han sido bien desarrollados en términos de formación de haz, deflexión y reflexión anómala, modulación y análisis de polarización.

Aprovecha la IA para volverte loco

La tendencia de desarrollo de la IA y la metaóptica El eje horizontal representa el año y el eje vertical representa el número de publicaciones por año.

Como se puede ver en la figura anterior, las tendencias de desarrollo de los dos campos de la IA y la metaóptica son aproximadamente las mismas, y ambos entraron en un período de rápido crecimiento alrededor de 2012. En este estudio, los investigadores analizaron específicamente los problemas directos e inversos de la IA en metaóptica, análisis de datos basados ​​en sistemas de metasuperficie y la aplicación de metadispositivos inteligentes programables.

Modelado sustituto

Modelado de propiedades ópticas

La IA, especialmente el aprendizaje profundo, proporciona un atajo directo y eficiente para la simulación óptica. En los últimos años, el modelado de agentes con IA ha logrado resultados notables. En los modelos sustitutos, las ANN se utilizan a menudo como predictores aproximados de las respuestas ópticas de los superátomos. Y, en ciertas tareas de diseño, ANN para modelos sustitutos es la solución óptima.

En 2019, los posdoctorales Sensong An y Clayton Fowler del Departamento de Ciencia e Ingeniería de Materiales del Instituto Tecnológico de Massachusetts propusieron una red neuronal profunda llamada Predicting NN para modelar la respuesta de amplitud y fase de superátomos totalmente dieléctricos en el rango de 30-60 THz.

Como se muestra en la Figura a a continuación, la entrada de Predicting NN son parámetros geométricos y la salida son coeficientes de proyección reales o virtuales. Sensong An y Clayton Fowler et al., desarrollaron dos DNN para predecir piezas reales y virtuales, respectivamente. Las respuestas de amplitud y fase requeridas se calculan además utilizando coeficientes de proyección. Esta manipulación indirecta se debe al cambio repentino en la respuesta de amplitud y fase típica de los metaátomos alrededor de la frecuencia resonante.

(a) Predicción de amplitud y fase de superátomos cilíndricos

(b) Predicción de amplitud y fase de superátomos completamente aislantes en superficies de forma libre

© alter-material-shell Predicción de sección transversal de dispersión de nanopartículas

(d) Predicción de la eficiencia de difracción para un superátomo poligonal de 16 lados

(e) Predicción del espectro de absorción de superátomos de superficie de forma libre por DNN

(f) Predicción del espectro de absorción de superátomos de superficie de forma libre por CNN y RNN

Debido a la regresión dura no lineal aguda, el rendimiento de predicción de las ANN se degradará en gran medida en la resonancia, por lo que los autores utilizan de manera innovadora diferentes partes reales y virtuales continuas de los coeficientes de dispersión como objetivos de predicción. A velocidades de milisegundos, se predijeron superátomos cilíndricos y en forma de "H" con más del 99 por ciento de precisión, 600 veces más rápido que las simulaciones convencionales.

En 2020, Sensong An y Clayton Fowler et al., propusieron un nuevo método utilizando CNN para caracterizar la amplitud y la fase de los superátomos en la misma banda de trabajo. La diferencia es que el objeto de modelado es una estructura de forma libre con diferentes propiedades materiales, en lugar de una estructura simple, como se muestra en la Figura b anterior.

La superficie de forma libre diseñada incluye una imagen de patrón 2D, el tamaño de la red, el grosor de la estructura y el índice de refracción del material. La cabeza de CNN se divide en dos ramas de entrada. Uno maneja imágenes de patrones 2D y el otro maneja la indexación con diferentes propiedades. A través de procedimientos de submuestreo y sobremuestreo, estas dos ramas se recombinan en mapas de características de dimensiones coincidentes. La salida todavía está en el formato de las partes real y virtual de los coeficientes de dispersión.

En comparación con trabajos anteriores, este método usa más datos de entrenamiento y proporciona más rendimiento para el diseño de superficies de forma libre. Además, bajo las mismas condiciones de hardware, la velocidad de predicción es 9000 veces más rápida que la simulación tradicional, lo que también supera con creces el trabajo anterior.

Evaluación del desempeño

Para evaluar la eficacia de un modelo sustituto, a menudo se compara su precisión con las herramientas de simulación tradicionales que resuelven las ecuaciones de Maxwell. En general, la mayoría de los modelos proxy exhiben alta fidelidad en varias propiedades ópticas. Además de la precisión calificada, los modelos sustitutos son órdenes de magnitud más rápidos que las simulaciones convencionales.

(a) Espectro de absorción de la estructura superficial de forma libre

(b) Respuestas de amplitud y fase de superátomos en forma de “H”

© Nanorods de retrodispersión en los modos TE y TM, y la distribución del campo eléctrico interno (arriba)

(d) Espectros de reflectancia y espectros de CD correspondientes

(e) Validación de espectros de transmisión con mediciones de diseños de fabricación reales

(f) Comparación de tiempo computacional entre simulaciones numéricas y modelos sustitutos basados ​​en aprendizaje profundo

Para resumir el modelado de agentes con ANN, la siguiente tabla enumera información importante para la comparación directa y la comprensión. Desde los protones hasta los superátomos dieléctricos, los materiales enumerados en la tabla cubren metales y dieléctricos comunes. Las referencias seleccionadas en la tabla tienen diferentes respuestas de modelado, lo que demuestra que los modelos sustitutos actuales pueden aprender casi todas las propiedades ópticas comunes de la geometría estructural de los superátomos.

Sin embargo, como solucionador aproximado de las ecuaciones de Maxwell, el modelo sustituto también tiene tres desventajas:

• El rendimiento del modelo proxy está limitado por la construcción de datos de entrenamiento, y cada modelo solo puede operar bajo condiciones específicas (como transmitancia, reflectancia, tasa de polarización, etc.) y longitudes de onda operativas específicas.

• El rendimiento de algunos modelos sustitutos se degrada en las frecuencias de resonancia.

• El proceso de generar datos de entrenamiento es una tarea laboriosa y tediosa.

Aún así, los modelos sustitutos basados ​​en ANN son mucho más rápidos que las herramientas de simulación tradicionales y, además de la velocidad, los modelos sustitutos tienen otra ventaja. En el diseño inverso de la metaóptica, se requiere una respuesta analógica en tiempo real. En comparación con el software comercial actual, los modelos sustitutos basados ​​en ANN se pueden integrar fácilmente en esquemas de diseño inverso con más grados de libertad de diseño.

diseño inverso

Redes neuronales basadas en gradientes

Según el tipo de modelo empleado, el diseño inverso asistido por aprendizaje profundo se puede dividir en dos partes:

1. modelo discriminante

2. basado en modelos generativos

El método de diseño inverso basado en el modelo discriminante se puede dividir en dos categorías: la primera categoría consiste en colocar los parámetros de diseño en la posición de entrada y la respuesta objetivo como salida afectará los parámetros de diseño a través de la propagación hacia atrás. Este tipo de esquema de diseño es simple pero requiere mucho tiempo como método de optimización iterativo. La segunda categoría es más directa y, por lo tanto, el enfoque principal, donde dado un valor esperado, el NN genera un valor predicho.

(a) Propiedades ópticas del objetivo y capacidad de absorción de los parámetros S

(b) Flujo de trabajo de diseño propuesto

© Gráficos 3D del modelo en estudio, representado por una matriz

El diseño inverso basado en NN requiere menos conocimientos de óptica. Lo que proporcionan las ANN es solo una solución aproximada del sistema, que no es exactamente igual al requisito objetivo. La mayoría de los métodos muestran una precisión superior al 70 % cuando se diseña bajo demanda, lo cual es bastante rápido. El diseño inverso del modo tradicional de prueba y error requiere mucho tiempo y no se puede garantizar la precisión de la solución. A pesar de las diferencias, una cuasi-solución es mejor que ninguna solución.

Cálculo evolutivo sin gradiente

La computación evolutiva es una rama importante de la IA y es una familia de algoritmos metaheurísticos, que incluye el algoritmo genético, el algoritmo evolutivo, el algoritmo de colonia de hormigas y el algoritmo de enjambre de partículas. Imita el proceso de evolución biológica y simula el proceso de reproducción racial a través del proceso iterativo de los programas informáticos. Cada generación introduce mutaciones como pequeños cambios aleatorios, y las soluciones deficientes se descartan por selección. En última instancia, la solución óptima se obtiene a través de esta evolución. La computación evolutiva generalmente se considera como una colección de algoritmos de optimización global.

El algoritmo genético (GA, Genetic Algorithm) es una de las estrategias de computación evolutiva más utilizadas. Además, GA ha facilitado en gran medida el diseño inverso de metasuperficies en los últimos años, como metalenses, placas de cuarto de onda de terahercios, metamateriales programables y óptica de celosía de sublongitud de onda.

análisis de los datos

AI también ha demostrado sus poderosas capacidades de análisis de datos en meta-óptica, con aplicaciones similares que incluyen tareas de visión por computadora en imágenes capturadas desde metal-lentes. La IA se usa más a menudo para procesar datos ilegibles obtenidos de metasuperficies, como análisis de imágenes, señales de microondas e información espectral infrarroja.

(ac) Análisis de datos para tareas de clasificación de composición química

( a ) Diagrama esquemático del clasificador químico de metasuperficie

(b) Espectros de transmisión de cada sustancia química

© Visualización de los resultados de clasificación de los primeros dos componentes principales (arriba) y los primeros tres componentes principales a través de PCA

(dg) Análisis de datos de imágenes acústicas

(d) Diagrama esquemático de la configuración experimental

(e) Propagación de onda de un componente de vector de onda de gran amplitud que contiene información de firma de sublongitud de onda, sin (izquierda) y con (derecha) metalens

(f) Flujo de datos desde la fuente radiante hasta la reconstrucción e identificación del back-end

( g ) Resultados de reconstrucción y reconocimiento de información de campo lejano sin metalens (arriba) y con metalens (abajo).

Dispositivo inteligente programable Ultra

Con la ayuda de la IA, un sistema basado en una metasuperficie programable es como una computadora con una CPU instalada. Cuando una metasuperficie programable o reconfigurable se combina con IA, el flujo de datos entre ellos forma un bucle. La IA es responsable de adquirir y procesar los datos ópticos y de gobernar la reconstrucción de la metasuperficie programable.

Esto permite que la metasuperficie evolucione de un elemento de difracción óptica ordinario a un elemento inteligente que comprende los datos de entrada y brinda respuestas en tiempo real por sí mismo.

(ac) Cámara inteligente

(b) 16 patrones de radiación y patrones correspondientes generados por aprendizaje automático

© Resultados de imágenes basados ​​en el aprendizaje automático para dos casos con un número diferente de mediciones (100, 200, 400 y 600)

(d) generadores de imágenes inteligentes e identificadores

(e) Una capa inteligente (capa)

Además de los metadispositivos inteligentes discutidos anteriormente, una metasuperficie programable impulsada por IA permite la formación de haces complejos en tiempo real y permite la percepción 3D.

La era de los ultradispositivos puede llegar

Según un informe sobre tecnologías ópticas y fotónicas emergentes de Lux Research, una consultora estadounidense, los materiales metaópticos ya se han desplegado inicialmente y ocuparán un mercado valorado en miles de millones de dólares para 2030.

Tomando como ejemplo a Metalenz y NIL Technology, las principales empresas de metasuperficies del mundo, su progreso de comercialización incluye: Metalenz combina tecnología metaóptica con procesos de fabricación de semiconductores, realiza la producción en masa en la fundición de obleas de 12 pulgadas de STMicroelectronics e integra superlentes. Sensor de rango ToF de la serie FlightSense de STMicroelectronics VL53L8; NIL Technology ha construido una cadena industrial completa de metales, que incluye diseño, creación de prototipos, pruebas y caracterización, y capacidades de fabricación, y realizó el envío de metales.

Entre ellos, vale la pena señalar que solo este año, Metalen anunció que recibió una nueva ronda de 10 millones de dólares estadounidenses en capital de riesgo. Su cofundador y director ejecutivo, Robert Devlin (Robert Devlin), dijo: "Podemos mejorar el sistema. Rendimiento de nivel Reemplazo de hasta 6 ópticas convencionales en los módulos actuales con una sola meta-óptica ".

Se puede ver que el superdispositivo representado por la superlente está pasando del laboratorio a la industria, convirtiéndose gradualmente en un punto de acceso en la tecnología óptica de vanguardia, y se espera que revolucione la industria óptica. Entre ellos, la IA ha desempeñado un papel fundamental en el desarrollo de la metaóptica. La aplicación de IA a la metaóptica es capaz de resolver diseños ópticos complejos, obtener rápidamente soluciones óptimas a los problemas y, al mismo tiempo, satisfacer nuevos requisitos funcionales, por lo que es seguro que la combinación de ambos contribuirá aún más a la óptica avanzada. y desarrollo, y promover la realización de dispositivos y sistemas ópticos de próxima generación lo antes posible.

Link de referencia:

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

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

Dirección en papel:

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