深度学习的亚波长窄带陷波滤光片设计

亚波长光栅结构具有良好的陷波滤波特性。其经典设计是设置亚波长的几何结构参数，求解麦克斯韦方程组，并设置优化算法求解最优解，这需要大量的时间和计算资源。提出了一种基于深度学习的逆向设计方法，并建立了一个能同时实现正向仿真和逆向设计的神经网络。该网络基于Tensorflow库的python语言。优化了均匀波导层的高度、亚波长光栅的高度、折射率、周期和占空比。研究了0.45～0.7m亚波长光栅的陷波滤波特性。使用strict耦合波分析（RCWA）数值模拟生成23100组数据集，随机选择18480组数据作为训练集，4620组数据作为测试集。研究了不同的网络层、网络节点和Batchsize。结果表明，经过1000次迭代后，当网络模型结构为55020050026，Batchsize规模为128时，网络性能最好。与独立网络模型相比，串联神经网络的正向速度从0.033 63降低到0.004 5，反向设计的测试速度从0.702 98降低到0.052 98。同时，解决了网络逆向设计过程中由于数据的非唯一性而导致的不收敛问题。在训练好的网络中输入任意一条光谱曲线，网络以平均1.35s的时间给出亚波长光栅的几何结构参数。与RCWA数值模拟曲线相比，曲线相似系数大于0.6581，属于强相关性。此外，红色、绿色和蓝色陷波滤波器的峰值反射率分别可达98.91%、99.98%和99.88%。与传统方法相比，该方法能快速、准确地求解光栅的几何参数，为亚波长光栅的设计提供了一种新的方法。