社区
教程
Wiki
注册
登录
创作新主题
社区所有版块导航
Python
python开源
Django
Python
DjangoApp
pycharm
DATA
docker
Elasticsearch
分享
问与答
闲聊
招聘
翻译
创业
分享发现
分享创造
求职
区块链
支付之战
aigc
aigc
chatgpt
WEB开发
linux
MongoDB
Redis
DATABASE
NGINX
其他Web框架
web工具
zookeeper
tornado
NoSql
Bootstrap
js
peewee
Git
bottle
IE
MQ
Jquery
机器学习
机器学习算法
Python88.com
反馈
公告
社区推广
产品
短视频
印度
印度
一周十大热门主题
用 Python 制作 13 个小游戏,边玩边学!(含源码)
机器学习学术速递[7.21]
机器学习学术速递[7.23]
机器学习学术速递[7.22]
罗氏半年报:终止开发TIGIT抗体、PD-1/IL-2
罗氏正式放弃TIGIT疗法
机器学习学术速递[7.24]
2025必看AI干货!《大模型/AIGC/GPT-4/Transformer/DL/KG/NLP/C...
2025年大厂薪资排名:百度垫底,字节阿里腾讯遥不可及 字节跳动:30万-50万,技术类应届生薪资...
机器学习学术速递[7.25]
关注
Py学习
»
机器学习算法
量子纳米光子学中的反向设计方案:结合局域态密度和深度学习
热辐射与微纳光子学
• 2 年前 • 463 次点击
图
1
量子纳米光子学中反向设计的总体框架
1.
导读
量子纳米光子学是一个快速发展的领域,研究量子发射体(如原子、分子和量子点)与纳米光子结构耦合时的光与物质的相互作用。在这个领域中,纳米光子结构可以有效地调控量子发射体输出光场的量子特性,从而实现不同功能的纳米量子器件。近年来,反向设计算法极大地拓展了纳米光子结构的功能,其中深度学习是最为重要的方法之一。按特定需求反向设计量子纳米光子系统有望实现更为复杂的纳米量子器件。然而,直接应用深度学习反向设计量子纳米光子系统需要复杂的计算量来实现多维参数的学习,这是一个挑战。
针对这个挑战,近日华南农业大学刘景锋副教授团队联合新加坡科技设计大学吴琳教授团队和新加坡国立大学仇成伟教授在
Nanophotonics
发表最新文章,提出了一种结合局域态密度(
LDOS
)和深度学习的量子纳米光子学反向设计框架(见图
1
),其中
LDOS
作为“桥梁”将纳米光子结构参数和量子特性连接起来,该框架可以扩展到不同量子纳米光子学的反向设计问题。研究团队将该框架应用到一个简单的量子纳米光子系统中,并利用全连接神经网络调控了该系统的自发辐射和量子纠缠。
该研究成果不仅将深度学习引入量子光学领域,而且推进纳米量子器件的发展,并为深度学习反向设计复杂功能的纳米光子结构提供了新的解决思路。
2.
研究背景
器件设计一直是纳米光子学的核心课题之一,但是在过去相当长的时间里,纳米光子器件的设计方法都是基于经验的启发式设计。近年来,反向设计算法的应用让纳米光子器件获得了快速的发展,其中深度学习已然成为一种进行反向设计的重要方式。利用深度学习模型的反向设计方案可以有效解决传统参数扫描方法耗时过长、效率过低的问题,因为它采用神经网络直接映射纳米光子结构与其功能之间的关系。随着纳米光子结构和功能需求变得更加复杂,需要使用巨大的神经网络模型才能实现有效的反向设计。
当量子发射体被耦合到纳米光子结构时,光与物质的相互作用将变得更加复杂,并形成一个繁杂的量子纳米光子系统。在这类系统中,纳米光子结构可以有效地调控量子发射体输出光场的量子特性。按特定需求反向设计量子纳米光子系统有望实现具有丰富功能的纳米量子器件。然而,直接应用深度学习反向设计量子纳米光子系统
需要庞大的神经网络模型,并进行长时间的运算和调整
。
一个可能的解决方案是采用中间量来简化整个反向设计问题。
3.
创新研究
针对上述问题,研究人员提出了一种
LDOS
和深度学习相结合的量子纳米光子学反向设计框架(见图
1
),该框架将
LDOS
作为中间量,将纳米光子结构参数和量子特性联系起来。纳米光子结构决定了量子发射体周围的电磁场分布,并利用
LDOS
来直接量化纳米光子结构的影响,这一映射关系可直接通过深度学习模型拟合。另外,需要通过数学推导建立
LDOS
与不同量子特性之间的联系,将这些量子特性采用
LDOS
进行表征。最后,利用训练好的神经网络模型反向设计所需的纳米光子结构即可。该方法广泛适用于具有任意形状的纳米光子结构实现不同量子特性的反向设计问题。
在这项研究中,研究人员将该框架应用到一个具有代表性的量子纳米光子系统中(见图
2
),其中量子发射体(二能级系统)位于多壳层金属纳米颗粒(
SMNP
)的表面。此外,研究人员采用全连接神经网络来学习壳层厚度与
LDOS
之间的函数关系(见图
2
),并利用该神经网络模型调控了该量子纳米光子系统的自发辐射和量子纠缠特性。
图
2
量子纳米光子系统(
a
)以及全连接神经网络模型(
b
)
研究人员首先基于理论模型分析了自发辐射强度和系统耦合状态的联系,并揭示了实现强耦合的两个因素:(
i
)纳米光子结构的谐振频率要与量子发射体的谐振频率匹配;(
ii
)局部耦合强度与纳米光子结构对应的
LDOS
的振幅成正比。因此,可以通过调控
LDOS
的谐振频率和幅值来优化自发发射(见图
3
)。
图
3
由
4
层
SMNP
和单个量子发射体组成的量子纳米光子系统中自发发射动力学的优化结果
随后,研究人员基于理论模型进一步分析了量子纠缠和纳米光子结构的
LDOS
之间的联系。量子纠缠的强度可以使用一个无量纲的参数表示,并且该参数与
LDOS
的幅值和品质(
Q
)因子有关:(
i
)
LDOS
需要较高的幅值使得该量子纳米光子系统处于强耦合状态;(
ii
)
LDOS
需要较高的
Q
因子使得量子纠缠能够维持更长的时间。由于已获得处于强耦合状态的量子纳米光子系统,只需要调控
LDOS
的
Q
因子即可获得更稳定的量子纠缠(见图
4
)。
图
4
由
4
层
SMNP
和两个量子发射体组成的量子纳米光子系统中量子纠缠动力学的优化结果
最后,研究人员考虑到反向设计获得的纳米光子结构往往对制备精度具有较高的要求,基于该反向设计框架提出了一种潜在的解决方案。首先,采用该框架获得实验制造的参考结构。随着
SMNP
内层的生长,可以通过测量已生长壳层的厚度并重新进行反向设计获取全新的参考结构。经过多次循环后,可以产生具有目标光学特性的纳米光子结构。该方案需要多次反向设计,因此要求反向设计算法针对同一目标能够获得不同的参考结构,而该成果中采用的深度学习反向设计算法满足此要求。
4.
应用与展望
研究团队提出的
LDOS
和深度学习相结合的量子纳米光子学反向设计框架
,是一种普适、高效的反向设计方法。这项研究成果将纳米光子反向设计工程扩展到了量子体系,并适用于具有任意形状的纳米光子结构实现不同量子特性的反向设计问题。该研究成果也进一步推进了反向设计工程的发展,并展示了应用到实验中的经济性和可能性。
该研究成果以
“
Inverse design in quantum nanophotonics: combining local-density-of-states and deep learning
”
为题在线发表在
Nanophotonics
。
本文作者分别是
Guang-Xin Liu
,
Jing-Feng Liu
,
Wen-Jie Zhou
,
Ling-Yan Li
,
Chun-Lian You
,
Cheng-Wei Qiu
,
Lin Wu
,其中前两位作者为共同第一作者,
Jing-Feng Liu
,
Cheng-Wei Qiu
和
Lin Wu
教授为共同通讯作者。
Python社区是高质量的Python/Django开发社区
本文地址:
http://www.python88.com/topic/155663
463 次点击
登录后回复