深度学习设计多功能涡旋光

撰稿|由课题组供稿

多功能涡旋光超强的信号传输能力已被广泛报道。北京大学方哲宇课题组提出了一种基于深度学习的超构表面设计平台，实现了多功能涡旋光的智能生成，复旦大学周磊课题组提供了实验支持。基于金属纳米结构形成的超构表面，在可见光和近红外波段展示了偏振复用的涡旋光的设计能力，并于1064 nm波长进行了实验验证。该研究充分开发了涡旋光在大规模密集数据通信和高量子数量子光学领域的潜力。

涡旋光束的光波前围绕主轴螺旋传播，在光束中心具有零强度的相位奇点。通过回音壁腔、螺旋相位板、叉状全息图、人造超构表面等，研究者们已经成功地实现了涡旋光束。到目前为止，光涡旋的应用已经取得了相当大的进展，如光镊、超分辨成像、光学多路复用和光学通信等。此外，涡旋光束具有利用高容量信息操纵光的能力，揭示了在未来高灵敏度传感和量子通信中的巨大应用潜力。这些有前景的优势源于光涡旋的独特物理特性。轨道角动量（OAM）作为一种基本性质，在调控光时提供了无限的自由度。拓扑荷描述了拓扑保护的奇点周围的涡旋螺旋性，构成了无限维度的希尔伯特空间。基于此，涡旋光提供了一个前所未有的、精细的信息处理平台。为了获得优异的性能，携带OAM的涡旋光需要实现高的容量和密集的调制。因此，在应用中非常需要携带独立拓扑电荷的多功能涡旋光束。

通过适当地设计纳米结构，超构表面能够实现多种操控光的功能。超构表面由大量不同的纳米结构组成，经过设计，每个纳米结构都实现了特定的光学响应。当结构自由度较大时，超构表面巨大的复杂性给传统的反向设计带来了巨大的挑战，即通过扫描几何参数并进行大量的模拟寻找合适的纳米结构。为克服反向设计的困难，深度学习被引入微纳光子学，为打破光谱预测、结构设计和器件优化的瓶颈提供了机会。作为一种具有代表性的人工智能算法，深度神经网络可以快速研究复杂的光学系统，而无需求解麦克斯韦方程组。它可以自发地发掘有用的信息，并在结构和光学响应之间建立映射。因此，基于输入的目标光学响应，网络可以高效地生成合适的结构。它能够处理大量的具有复杂设计要求的纳米结构，而且仅需较少的计算资源和可忽略的时间。因此，深度神经网络是能够满足多功能涡旋光巨大设计需求的合适方法。

在这项工作中，该团队提出了一种基于深度神经网络的多功能涡流光生成器的智能设计方法。基于扫描参数的反向设计需要先验的物理知识和物理直觉，适用于几何自由度较小的纳米结构。深度神经网络在训练过程中从数据集中智能地学习底层物理知识，能够在没有先验物理知识和物理直觉的情况下处理复杂的纳米结构。数据集中的纳米结构是有限的。如果设计目标不在数据集中，则需要插值，当纳米结构复杂且丰富时，这可能会给器件带来很大的误差。然而，深度神经网络基于从数据集学习到的知识推荐纳米结构。因此深度学习不需要插值。

图1数据集和工作流程

该工作的数据集包含从530 nm到1550 nm工作波长的数据，这探索了涡旋光波长复用的潜力。该工作在实验上成功实现了工作波长为1064 nm的多功能涡旋光，实验结果与设计目标高度一致。该工作在高效产生复杂的多功能涡旋光方面取得了进展，为最大限度地开发涡旋光的性质开辟了一种新的令人兴奋的可能性。在光子芯片、量子通信和其他研究领域，该工作的研究成果可以作为将涡旋光应用于实际的通用方法。

图2双功能涡旋光的实验验证

图3三功能涡旋光的设计展示

在这项工作中，该团队通过深度学习解决了多功能涡旋光的设计问题。多信息容量和高设计效率可能会为在大量涡旋光中生成和操纵大量的OAM态带来更好的方法。该团队设计的涡旋光可以应用于高容量光通信和高量子数的量子光学。此外，该团队的多功能涡旋光智能设计平台启发了复杂纳米结构的反向设计，为其他光学领域指明了新的方向。该工作以“Arbitrary Multifunctional Vortex Beam Designed by Deep Neural NeTWork”为题发表在Advanced Optical Materials。北京大学博士生彭璞、刘正昌和复旦大学博士生戴昌红为共同第一作者，北京大学方哲宇教授和复旦大学周磊教授为共同通讯作者。北京大学物理学院为第一单位，复旦大学周磊教授团队对样品制备提供了建议，并完成样品测试。

文章地址：

http://doi.org/10.1002/adom.202300158