Спектральний аналіз та параметричний синтез багатошарових оптичних структур з адаптивною організацією обчислювальних процесів
Анотація
Досліджено особливості засобів організації обчислювальних процесів у задачах спектрального аналізу та параметричного синтезу багатошарових тонких плівок. Застосовано методи математичного моделювання, методи хвильової оптики, зокрема – метод матриць передачі та його узагальнення, чисельні методи розв'язання обернених задач спектроскопії, а також ітераційні алгоритми оптимізації параметрів багатошарових структур з елементами адаптивного керування обчислювальними процесами. Встановлено, що використання ізольованих чисельних методів у задачах спектрального аналізу та параметричного синтезу багатошарових тонких плівок обмежується високою обчислювальною складністю та чутливістю до варіацій вхідних даних. Виявлено доцільність інтеграції фізичних, чисельних і нейромережевих моделей у межах єдиного обчислювального середовища для підвищення точності та ефективності ідентифікації параметрів багатошарових структур. Запропоновано засоби організації обчислювальних процесів, що забезпечують адаптивний вибір чисельних моделей спектрального аналізу, алгоритмів оптимізації та параметрів обчислення, залежно від характеристик задачі аналізу та синтезу. Охарактеризовано структуру інформаційної технології спектрального аналізу та параметричного синтезу у вигляді впорядкованої системи з узгодженими множинами даних, моделей хвильового та спектрального аналізу, алгоритмів оптимізації параметрів, обчислювального середовища та засобів адаптивного керування обчислювальними процесами. З'ясовано, що використання засобів адаптивного вибору інформативної спектральної області та динамічного уточнення параметрів обчислення дає змогу зменшити розмірність задачі аналізу спектральних характеристик за рахунок виділення інформативної спектральної області та підвищити стійкість розв'язання обернених задач ідентифікації параметрів. Проведено різні спостереження обчислювального експерименту (понад 120 сценаріїв), внаслідок яких встановлено зниження середньої похибки ідентифікації параметрів багатошарових тонких плівок до 2,3 % порівняно з 3,9-5,8 % для альтернативних способів. Оцінено вплив засобів адаптивного керування обчислювальними процесами на ефективність обчислень, що проявляється у скороченні тривалості виконання до 35 % та зменшенні кількості ітерацій до 12-15. Виявлено підвищення швидкості збіжності ітераційних алгоритмів параметричного синтезу багатошарових тонких плівок та зниження чутливості результатів до варіацій вхідних даних. З'ясовано, що інтеграція нейромережевих компонентів забезпечує пришвидшення обчислювальних процедур і покращення узагальнювальної здатності моделей спектрального аналізу та параметричного синтезу. Отримані результати підтверджують ефективність розроблених засобів організації обчислювальних процесів та доцільність їх застосування для розв'язання складних обернених задач спектроскопії. Подальші дослідження доцільно спрямувати на розширення застосування розробленої інформаційної технології та засобів організації обчислювальних процесів для нелінійних і неоднорідних структур та поглиблення інтеграції з нейромережевими архітектурами.
Завантаження
Посилання
Bilak, Y., Saibert, F., & Reblian, A. (2026). Hybrid model for spectral analysis of multilayered structures with fractal boundaries: A combination of RCWA and FDTD. Recent Advances in Computer Science and Communications, 19(3). https://doi.org/10.2174/0126662558387349250422062604
Deng, Y., Ren, S., Malof, J., & Padilla, Willie J. (2022). Deep inverse photonic design: A tutorial. Photonics and Nanostructures – Fundamentals and Applications, 52, article ID 101070. https://doi.org/10.1016/j.photonics.2022.101070
Hammond, A. M., Chen, Z., Lin, Z., & others. (2023). Inverse-designed lithium niobate nanophotonics. ACS Photonics 10(4), 1019–1026. https://doi.org/10.1021/acsphotonics.3c00040
Hao, Y., Liuge, D., Xiao, X., & Jia, Zh. (2024). Deep learning methods for solving non-uniqueness of inverse design in photonics. Optics Communications, 554, article ID 130122. https://doi.org/10.1016/j.optcom.2023.130122
Khaireh-Walieh, A., Langevin, D., Bennet, P., & others. (2023). A newcomers guide to deep learning for inverse design in nano-photonics. arXiv. https://doi.org/10.48550/arXiv.2307.08618
Lalau-Keraly, C. M., Bhargava, S., Miller, O. D., & Yablonovitch, E. (2013). Adjoint shape optimization applied to electromagnetic design. Optics Express, 21, 21693–21701. https://doi.org/10.1364/OE.21.021693
Ma, W., Liu, Z., Kudyshev, Z. A., Boltasseva, A., Cai, W., & Liu, Y. (2020). Deep learning for the design of nanophotonic structures. Nature Photonics, 14(2), 77–90. https://doi.org/10.1038/s41566-020-0685-y
Macleod, H. A. (2010). Thin-Film Optical Filters (4th ed.). CRC Press, 240 p. https://doi.org/10.1201/9781420073034
Molesky, S., et al. (2018). Inverse design in nanophotonics. Nature Photonics, 12, 659–670. https://doi.org/10.1038/s41566-018-0246-9
Oskooi, A. F., Roundy, D., Ibanescu, M., Bermel, P., Joannopoulos, J. D., & Johnson, S. G. (2010). MEEP: A flexible free-software package for electromagnetic simulations by the FDTD method. Computer Physics Communications, 181(3), 687–702. https://doi.org/10.1016/j.cpc.2009.11.008
Piggott, A. Y., Petykiewicz, J., Su, L., & Vučković, J. (2017). Fabrication-constrained nanophotonic inverse design. Scientific Reports, 7, article ID 1786. https://doi.org/10.1038/s41598-017-01939-2
Salgado-Conrado, L., et al. (2024). A review of simulation tools for thin-film solar cells. Materials, 17(21), article ID 5213. https://doi.org/10.3390/ma17215213
Sarkar, S., Ji, A., Jermain, Z., Lipton, R., Brongersma, M., Dayal, K., & Noh, H. Y. (2023). Physics-informed machine learning for photonics and optical materials. Advanced Photonics Research, 4, article ID 2300158. https://doi.org/10.1002/adpr.202300158
So, S., Badloe, T., Noh, J., Rho, J., & Bravo-Abad, J. (2020). Deep learning enabled inverse design in nanophotonics. Nanophotonics, 9(5), 1041–1057. https://doi.org/10.1515/nanoph-2019-0474
Southwell, W. H. (1983). Gradient-index antireflection coatings. Optics Letters, 8(11), 584–586. https://doi.org/10.1364/OL.8.000584
Wiecha, P. R., Arbouet, A., Girard, C., & Muskens, O. L. (2021). Deep learning in nano-photonics: Inverse design and beyond. Photonics Research, 9(5), B182–B200. https://doi.org/10.1364/PRJ.415960
Yao, K., Unni, R., & Zheng, Y. (2018). Intelligent nanophotonics: Merging photonics and artificial intelligence at the nanoscale. Nanophotonics, 8, 339–366. https://doi.org/10.1515/nanoph-2018-0183
Yeung, C., Pham, B., Tsai, R., Piggott, A. Y., Raman, A., & Soljačić, M. (2022). DeepAdjoint: An all-in-one photonic inverse design framework integrating data-driven machine learning with optimization algorithms. ACS Photonics, 9(12), 4385–4394. https://doi.org/10.1021/acsphotonics.2c00968



