[论文解读] Spectral splitting and concentration of broadband light using neural networks

Alim Yolalmaz, Emre Yüce|arXiv (Cornell University)|Nov 1, 2020

Photonic and Optical Devices参考文献 46被引用 5

一句话总结

该论文提出了一种深度神经网络框架，用于加速称为SpliCons的衍射光学元件的逆向设计，该元件可对宽带光进行光谱分离并实现空间聚焦。通过在强度到相位映射上进行训练，该模型在GPU上仅用不到2秒即实现了96.6 ± 2.3%的准确率，优于迭代优化方法，并可通过空间光调制器实现实验验证。

ABSTRACT

Compact photonic elements that control both the diffraction and interference of light offer superior performance at ultra-compact dimensions. Unlike conventional optical structures, these diffractive optical elements can provide simultaneous control of spectral and spatial profile of light. However, the inverse-design of such a diffractive optical element is time-consuming with current algorithms, and the designs generally lack experimental validation. Here, we develop a neural network model to experimentally design and validate SpliCons; a special type of diffractive optical element that can achieve spectral splitting and simultaneous concentration of broadband light. We use neural networks to exploit nonlinear operations that result from wavefront reconstruction through a phase plate. Our results show that the neural network model yields enhanced spectral splitting performance for phase plates with quantitative assessment compared to phase plates that are optimized via local search optimization algorithm. The capabilities of the phase plates optimized via neural network are experimentally validated by comparing the intensity distribution at the output plane. Once the neural networks are trained, we manage to design SpliCons with 96.6 $\pm$ 2.3% accuracy within 2 seconds, which is orders of magnitude faster than iterative search algorithms. We openly share the fast and efficient framework that we develop in order to contribute to the design and implementation of diffractive optical elements that can lead to transformative effects in microscopy, spectroscopy, and solar energy applications.

研究动机与目标

• 解决在设计用于光谱分离与聚焦的多功能衍射光学元件时存在的计算瓶颈问题。
• 克服宽带光下相位板逆向设计中的一对多映射问题。
• 利用深度学习实现SpliCons的快速、高精度且可实验验证的设计。
• 提供一个开源框架，以加速先进光子器件的开发。

提出的方法

• 训练深度神经网络，将输入的强度分布映射为SpliCons对应的相位图案。
• 使用已知衍射图案（输入）及其对应相位板（输出）的数据集进行监督学习。
• 在单个GPU上完成训练后，推理时间控制在2秒以内。
• 采用全连接神经网络架构，激活函数为ReLU，并应用批量归一化。
• 通过空间光调制器（SLM）实验验证设计，以重建所需的强度分布。
• 通过训练网络从波前数据中学习复杂的非线性相位重构，解决了成对多映射的挑战。

实验结果

研究问题

• RQ1 深度学习能否有效解决同时实现光谱分离与聚焦的SpliCons的逆向设计问题？
• RQ2 神经网络能否在不同光谱分量间实现泛化，从而为宽带照明生成准确的相位图案？
• RQ3 与传统迭代优化方法相比，神经网络设计的SpliCons性能如何？
• RQ4 训练后的模型能否在实时相位板设计中实现高精度与高速度？
• RQ5 基于神经网络设计的SpliCons是否可在实验中实现且具有高精度？

主要发现

• 该神经网络在GPU上仅用不到2秒即实现了96.6 ± 2.3%的准确率，显著快于迭代优化方法。
• 在光谱分离性能方面，该模型优于局部搜索优化算法，其性能通过强度分布对比得到定量评估。
• 通过空间光调制器的实验验证，确认了输出平面上预测的强度分布。
• 该框架实现了多功能衍射光学元件的快速、高精度且可扩展的设计，适用于光谱学、显微成像和太阳能能源等应用。
• 开源框架与数据集的发布支持社区采纳，并加速光子器件设计领域的创新。
• 该方法成功解决了宽带相位板逆向设计中固有的成对多映射问题。