[论文解读] Simultaneous inverse design of materials and parameters of core-shell nanoparticle via deep-learning: Demonstration of dipole resonance engineering

Sunae So, Jungho Mun+1 more|arXiv (Cornell University)|Apr 5, 2019

Metamaterials and Metasurfaces Applications参考文献 35被引用 5

一句话总结

本文提出了一种深度学习框架，用于同时反向设计核壳纳米颗粒材料及其结构参数，以调控电偶极子和磁偶极子共振。通过使用T-矩阵方法计算的消光光谱对双神经网络进行训练，并采用自定义的多任务损失函数，该模型实现了对具有定制化偶极子共振的纳米颗粒的快速、精确设计——通过光谱调谐、孤立磁偶极子共振以及电偶极子与磁偶极子共振光谱重叠的实例得到验证，标志着数据驱动纳米光子学设计的重大进展。

ABSTRACT

Recent introduction of data-driven approaches based on deep-learning technology has revolutionized the field of nanophotonics by allowing efficient inverse design methods. In this paper, simultaneous inverse design of materials and structure parameters of core-shell nanoparticle is achieved for the first time using deep-learning of a neural network. A neural network to learn correlation between extinction spectra of electric and magnetic dipoles and core-shell nanoparticle designs, which include material information and shell thicknesses, is developed and trained. We demonstrate deep-learning-assisted inverse design of core-shell nanoparticle for 1) spectral tuning electric dipole resonances, 2) finding spectrally isolated pure magnetic dipole resonances, and 3) finding spectrally overlapped electric dipole and magnetic dipole resonances. Our finding paves the way of the rapid development of nanophotonics by allowing a practical utilization of a deep-learning technology for nanophotonic inverse design.

研究动机与目标

• 为解决在核壳纳米颗粒中同时优化材料组成与结构参数以实现纳米光子学应用的挑战。
• 开发一种深度学习框架，能够联合求解回归（结构参数）与分类（材料类型）任务，用于反向设计。
• 利用单块GPU实现核心壳纳米颗粒的快速、精确设计，使其具备特定的电偶极子与磁偶极子共振特性。
• 通过三个反向设计任务展示实际应用价值：光谱调谐、孤立磁偶极子共振，以及重叠偶极子共振。

提出的方法

• 采用双神经网络架构：设计网络（DN）将消光光谱映射为设计参数，光谱网络（SN）从设计中重建光谱以用于损失计算。
• 损失函数结合了厚度的回归损失与材料索引的分类损失，实现对连续与分类设计变量的联合优化。
• 数据集通过T-矩阵方法生成，计算波长点为300–1000 nm范围内的100 nm波长点的消光光谱，使用七种索引材料（Ag, Au, Al, Cu, TiO2, SiO2, Si）。
• 材料类型以整数（0–6）编码，以避免非物理的折射率，并确保在可实现材料上进行训练。
• 模型在10,000个独特的核壳纳米颗粒构型上进行训练，外半径约束在10 nm至150 nm之间。
• 反向设计通过将目标消光光谱输入设计网络（DN）实现，DN输出预测的材料类型与壳层厚度。

实验结果

研究问题

• RQ1 深度学习能否同时优化核壳纳米颗粒中的材料类型与结构参数，以实现期望的光学响应？
• RQ2 单一神经网络架构能否有效处理材料与几何结构反向设计所需的联合回归与分类问题？
• RQ3 该模型能否准确设计出在可见光至近红外波段范围内光谱调谐的电偶极子共振？
• RQ4 该模型能否识别出支持光谱上孤立磁偶极子共振的构型？
• RQ5 该模型能否发现具有光谱重叠的电偶极子与磁偶极子共振的设计，以增强光与物质的相互作用？

主要发现

• 深度学习模型成功学习了消光光谱与核壳纳米颗粒设计（包括材料类型与壳层厚度）之间复杂的映射关系。
• 在电偶极子共振的光谱调谐方面，模型准确预测了通过改变材料与厚度使共振波长从350 nm移动至400 nm的设计。
• 模型识别出一个在380 nm处具有光谱上孤立磁偶极子共振的构型，该结果通过该波长处无电偶极子贡献得到验证。
• 模型发现了一种在390 nm处具有光谱重叠的电偶极子与磁偶极子共振的设计，实现了强多极干涉效应。
• 该模型对渐变光谱变化表现出鲁棒性，在40 nm调谐范围内正确预测了材料与厚度的调整。
• 训练后的模型每项预测仅需毫秒级时间完成反向设计，相比传统优化方法，显著加快了设计空间的探索速度。