利用自学习系统实现逼近理论极限的光学手性材料设计
随着纳米光子学的发展,具有超颖性质的人工微结构吸引了众多研究。针对日益增长的研究和设计需求,北京大学物理学院方哲宇及其研究团队实现了一种自洽的框架——BoNet,其结合了贝叶斯优化(Bayesian optimization)和卷积神经网络(convolutional neural network),实现了纳米结构对于超强光学手性的自学习。基于此框架,他们将纳米结构设计表示为图形,并输入卷积神经网络进行电场分布和反射光谱的学习,此过程不需要将纳米结构参数化为向量,因此最大化的保留了其几何信息和边界条件。同时,利用贝叶斯优化以实现对纳米结构远场光学手性的优化,并运用其采样样本反复训练神经网络实现自学习。利用BoNet,他们针对远场反射光谱的圆二色性进行优化并逼近了其理论极限(CD = 1),同时利用神经网络匹配预测的近场电场分布,对获得的强光学手性进行分析解释。 此框架能够被直接推广用于其他光学性质的自学习优化,例如实现反常透射,偏振态调制和相位调制。更进一步的,此方法论能够帮助设计更多的,具有良好光学性质和运用价值的纳米光子学器件,比如消色差超透镜,超灵敏的微传感器以及智能超表面等。此研究同时能够启发更多数据驱动的研究,通过利用人工神经网络和其他机器学习的方法,实现对传统科学研究的新探索,在制药,引物设计,固体结构分析上启发新突破。 该工作于2019年11月19日在线发表于学术期刊《PHYSICAL REVIEW LETTERS》上,题为“Self-Learning Perfect Optical Chirality via a Deep Neural Network”(DOI: 10.1103/PhysRevLett.123.213902)。北京大学物理学院方哲宇研究员是本文的通讯作者,李瑜,徐优俊,姜美玲为该文的共同第一作者,北京大学定量生物学中心来鲁华教授为合作者,北京大学为唯一通讯作者单位。该工作得到得到了科技部、教育部、国家自然科学基金委、北京大学人工微结构和介观物理国家重点实验室、北京大学纳光电子前沿科学中心、量子物质科学协同创新中心、北京大学高性能校级计算平台、北京大学生命科学中心高性能计算平台等单位的支持。用于近远场计算的神经网络结构表征实现了逼近理论极限的高手性,并利用神经网络对近场分布进行分析
北京大学
2021-04-11