先指定光谱再设计纳米结构,怎样知道 AI 给出的答案能做出来?

把一片纳米纹理照亮,测得的透射曲线可能在某段波长突然变深。改变金属结构的长度、间隙或排列,曲线上的峰和谷就会移动。这为光谱器件提供了一个自然的设计问题。如果使用者先规定哪些波长应该通过,再让模型找出满足条件的纹理,工作就从计算一道电磁题变成了寻找能够实现该目标的一整套几何。

这样的逆向问题经常没有唯一答案。两个不同结构可能在有限的测量波段给出几乎相同的光谱。在另一种偏振方向或另一块真实样品上,它们又可能表现迥异。Malkiel 等的等离激元研究把快速预测接入这条工作链。在读模型的推理速度之前,值得先弄清网络在什么设计空间里搜索,最后又依据什么认定答案合格。

虹彩微距下金属纳米结构阵列泛出多色反光
AI 生成配图 · 虹彩微距静物 · 未完纪

一条光谱里有多少几何信息

给定材料参数、结构和光的入射条件,可以用麦克斯韦方程计算响应。透射谱记录透过样品的光强随波长如何变化。把输入写成几何参数向量 g,把相应响应写成 F(g),正向仿真是在求 F(g)。逆设计面对的是目标曲线 y,希望找出一个 g,使得 F(g) 在所需条件下接近 y。

这个写法看起来像求反函数,实际情况复杂得多。首先,测量通常只覆盖一部分波长和偏振。几何结构对场的作用还可以表现为相位和近场分布,远场强度曲线没有记录全部信息。其次,实验曲线有有限分辨率和材料不确定性。多个方案在测量误差范围内都可能满足同一目标。最后,有些目标超出了材料或工艺允许的范围。要求一个金属结构具有近乎无损的传输和极强的选择性,可能跟该材料有限的吸收损耗互相冲突。

实验记录因此要明确哪种光谱构成目标。只观察一条偏振曲线时,许多方向相关信息无法恢复。补充正交偏振可以提供第二组约束。它能帮助识别方向性,却仍不足以据此宣称每条光谱都只有一种几何解释。面向未知样品的反演最好额外检查输出参数之间的相关性。如果两个参数只能一起改变,单独汇报每个参数的小数位数就会夸大精度。

Malkiel 的实验把网络放在哪里

2018 年发表的工作选择了可参数化的金属纳米结构族。尺寸的变化能够用有限个数来表达,避免了让模型在任意图形空间中搜索。研究者用电磁计算产生结构与光学响应的样本,在输入中使用两种偏振的光谱。双向网络将光谱与结构参数联接起来,并从模型给出的结构预测相应光谱。训练和验证由此能把尺寸误差与结构的光学响应放到一起看。

这项研究还有制作和测量样品的环节。电磁计算能说明在给定边界和材料参数时模型是否自洽,实验则把真实样品的圆角、厚度误差和环境一并带了进来。比较三条曲线时,网络误差、仿真误差与样品误差有不同来源。先比较网络结果与独立仿真,再比较仿真与测量,有助于定位偏差来自哪一环。

使用限定结构族也影响怎样解读结果。对现成工艺来说,只用少量参数描述结构很有价值。工艺部门知道变量的可选范围,研究者也能围绕参考数据合理采样。若换基底、改变金属,或者改求另一类功能,训练时选定的结构表示可能不再够用。延续研究时,可以先用少量新条件下的独立仿真评估偏差,再决定是否扩展样本范围或更新几何表示。

打开 HTML 互动演示 · 共振峰对准后,还需要检查哪些波长?

用一个算例看峰中心与峰宽

做一个可心算的假设实验。把理想响应简化成归一化洛伦兹峰。峰值为 1,中心为 620 纳米,半高半宽为 35 纳米。偏离中心 35 纳米时,响应降到 0.5。现在有一个候选设计,它的峰中心同样是 620 纳米,但半高半宽只有 17.5 纳米。用公式 1 / (1 + (偏离量 / 半高半宽)²) 算,偏离 35 纳米时,候选响应是 0.2。若器件接收一段宽波段的光,即便中心波长完美对齐,两种设计在使用中也会产生明显差别。

对于只要求挡住一条窄谱线的应用,样品在远离谱线区的几处轻微偏差可能可以接受。把所有波长的误差一律平均,会把峰顶、带边和旁瓣的重要性混在一起。更好的设计指标由器件功能决定。滤波器可单独报告通带损耗与阻带抑制。对共振器,可以比较共振位置、线宽和峰值。若评估同时涉及两种偏振,还要避免一条曲线的良好表现抵消另一条的失败。

文章中的互动表允许改变候选峰中心和宽度,比较五个采样波长上的偏差。它以单峰函数帮助读者理解误差怎样随峰宽变化。真实纳米结构可能具有多个耦合共振、偏振相关响应和非对称谱线,需要对应的电磁模型做完整计算。五个波长也只够做演示,真实验收要检查采样是否细到能够看见窄峰。

为什么逆向网络只学正确尺寸会遇到困难

假设训练集中有两种几何 g₁ 和 g₂,在测量波段内给出相同光谱。单输出网络若把尺寸平方误差作为目标,会同时被拉向两个答案。平均的尺寸向量未必仍落在任何一个可行解附近。比如两个解分别依靠不同间隙和长度的组合,简单取平均后,耦合方式可能改变,光谱也就偏离了原目标。

Liu 等提出的串联设计提供了一种实用思路。先训练一个能从几何预测响应的正向模型,再把逆向网络输出的候选几何送入它。误差根据最后一端能否复现目标来计算。这样,几何只要可制造并产生符合要求的光谱,就不必与训练集恰好列出的某一个答案相同。如果目标是从光谱识别未知样品的实际尺寸,应保留多个可能解,或补充显微测量等独立信息。

串联还带来一个校验漏洞。若网络进入参考数据覆盖之外的区域,正向近似模型可能在那里预测得过于乐观。逆向模块会把这种误差低估当作一个有吸引力的设计。小模型的损失因此可用作筛选分数。进入下一轮的候选需要送进独立模拟器,检查响应是否真的存在。尤其可疑的是在输入范围以外突然出现的极窄或极强的谱峰。

让不同设计方法使用同一把尺

先用一组简单结构做参数扫描,可以得到透明的基线。再试传统优化,从若干初始结构出发,用正向仿真改善几何。自由度更高的拓扑设计可对照基于梯度的逆设计。Piggott 等曾把光学目标和约束用于片上波分器的设计、制作与实验。网络方法也可以作为加速的一环,先给出若干初值,再由约束优化细修。实际效果由消耗的仿真预算、可达到的光学指标和器件合格率共同决定。

这些方法的成本分布不同。常规优化往往为每个新目标重复计算。神经网络把大量计算移到训练前的数据生成阶段,面对相近的多个目标时可能节省重复搜索。若项目只有一个目标,又恰好在训练范围之外,重新造大量样本未必划算。公平比较可以同时记录训练用仿真次数、推理耗时和每个候选需要的复算次数。只展示网络推理的毫秒数字,无法看出加速发生在整条设计链的哪一段。

还可以给同一个目标保留多种几何候选,再根据额外成本排序。若几种候选在理想模拟中的响应接近,可以优先选制造容差大、基底材料性质明确或便于装入测试台的一种。目标曲线相同只能说明部分光学功能接近。保留多个候选还有助于发现某个形状是否过度依赖偶然选到的工艺参数。

样品做出来以后怎样排查误差

先在网格、边界和材料设置上做独立收敛。改变局部网格分辨率后,峰位与线宽是否稳定,是检查尖峰是否是数值伪影的一道关口。设计图中的尖角和极窄的间隙也要按制造条件做扰动。若少量尺寸误差就令窄峰偏出工作带,名义上最优的几何未必适合制造。Piggott 等后续工作把工艺限制直接放进逆设计流程,提供了可以提前评价可制造性的实例。

再用多块独立样品测出变化范围。报告平均实测曲线有用,也应保留样品之间的离散程度与测量重复性。只拿性能最好的一块来对照仿真,很难看出设计对实际生产波动的稳健性。应在设计前明确验收区间,例如哪些波长的透射率必须满足要求,在哪些角度和偏振下要重测。随后可以用尺寸实测与光谱逐项追踪偏差。如果理想结构的模拟符合目标而实物偏离,不确定性可能主要来自工艺和材料。如果独立仿真已经偏离,该候选在加工前就应被淘汰。

机器学习使从目标到候选的过程可以更快迭代。求解器检查候选是否服从电磁规律,工艺审查决定几何能否加工,实验测量给出给定条件下的实际指标。最有说服力的逆设计从一组明确可检验的光谱要求开始,最后以一件可以按同一标准复测的器件结束。

参考资料

© 版权声明
THE END
喜欢就支持一下吧
点赞47