AI assisted optimization of integrated waveguide polarizers containing 2D reduced graphene oxide

Probleemstelling

De polarisatiecontrole is een fundamenteel aspect van optische technologieën. Integratie van tweedimensionale (2D) materialen, zoals gereduceerd grafenoxyde (rGO), op een chip biedt veelbelovende mogelijkheden voor breedbandige polarisatoren met hoge selectiviteit. De prestaties van deze rGO-geïntegreerde golfgeleiderpolarisatoren worden echter sterk bepaald door de geometrische parameters van de golfgeleider (zoals breedte $W$ en hoogte $H$).

Het optimaliseren van deze parameters om een maximale "Figure of Merit" (FOM) te bereiken, vereist doorgaans een uitgebreide verkenning van een groot parameterbereik. Traditionele methoden vertrouwen op numerieke modus-simulaties (bijv. met COMSOL Multiphysics of Lumerical FDTD). Deze simulaties zijn echter zeer rekenintensief om twee redenen:

1. Ze vereisen een uiterst fijn mesh om de ultradunne rGO-films (ca. 1 nm) nauwkeurig te modelleren.
2. Het exhaustive scannen van een groot parameterbereik (bijv. $W \in [300, 1000]$ nm en $H \in [100, 300]$ nm met 1 nm stapgrootte) zou duizenden simulaties vereisen, wat leidt tot onaanvaardbare rekentijden (in dit geval meer dan 100 dagen voor een volledige scan).

Methodologie

De auteurs stellen een machine learning-framework voor dat is gebaseerd op Volledig Verbonden Neuronale Netwerken (FCNNs) om het ontwerp- en optimalisatieproces te versnellen. De aanpak volgt een "forward design" strategie en bestaat uit de volgende stappen:

1. Dataverzameling: Er wordt een kleine dataset gegenereerd met lage resolutie door modus-simulaties uit te voeren op een beperkt aantal structurele parametercombinaties ($W, H$). De optische eigenschappen van het rGO-film ($n, k, d$) zijn experimenteel bepaald en dienen als input voor de simulaties.
2. Tweestaps FCNN Architectuur: Het framework bestaat uit twee gespecialiseerde sub-netwerken:
   • FCNN-1 (Classificatie): Dit netwerk voorspelt of de TE- en TM-moden convergeren voor een gegeven set parameters ($W, H$). Het classificeert sets als 'geconvergeerd' (1) of 'niet-geconvergeerd/Null' (0).
   • FCNN-2 (Regressie): Voor de sets die als geconvergeerd zijn geïdentificeerd, voorspelt dit netwerk de exacte FOM-waarde.
3. Training: De netwerken worden getraind op de dataset met lage resolutie (bijv. stapgrootte $\Delta = 20-80$ nm).
4. Voorspelling: Na training kan het framework de prestaties voorspellen voor een zeer groot parameterbereik met hoge resolutie (bijv. stapgrootte $\Delta' = 1$ nm) zonder nieuwe fysieke simulaties uit te voeren.

Belangrijkste Bijdragen

• Efficiëntie: Het introduceren van een FCNN-framework dat de relatie tussen golfgeleidergeometrie en polarisatorprestaties leert, waardoor de noodzaak voor duizenden individuele simulaties wordt weggenomen.
• Hybride Benadering: Het combineren van een classificatielayer (voor modusconvergentie) en een regressielayer (voor FOM) om zowel geldige ontwerpen te filteren als hun prestaties nauwkeurig te kwantificeren.
• Analyse van Trade-offs: Een systematische analyse van negen verschillende trainingsdatasets om de balans te onderzoeken tussen de grootte van de dataset (en dus de kostprijs van de initiële simulaties) en de voorspellingsnauwkeurigheid.
• Fysische Realisme: In tegenstelling tot sommige inverse ontwerpmethoden, gebruikt deze methode een forward-strategie die gebaseerd is op fysiek betekenisvolle parametergebieden, wat de kans op niet-unieke oplossingen verkleint.

Resultaten

• Snelheidswinst: Het framework reduceert de totale rekentijd met meer dan 4 ordes van grootte (factor 10.000) vergeleken met traditionele modus-simulaties.
  • Een volledige scan van ~140.000 parametercombinaties duurt met traditionele methoden >100 dagen.
  • Met het getrainde FCNN-framework duurt dezelfde scan minder dan 40 seconden.
  • De voorspellingstijd voor één set parameters is slechts 40-80 ms.
• Nauwkeurigheid:
  • De classificatie van modusconvergentie (FCNN-1) bereikt een nauwkeurigheid van >99,0%.
  • De voorspelling van de FOM (FCNN-2) heeft een gemiddelde afwijking (Average Deviation - AD) van < 0,05.
• Invloed van Datasetgrootte: Het onderzoek toont aan dat het verkleinen van de stapgrootte in de trainingsdataset (van 80 nm naar 20 nm) de voorspellingsnauwkeurigheid significant verbetert. De grootste winst wordt geboekt bij het verkleinen van 80 naar 40 nm; verdere verkleining naar 20 nm levert nog steeds verbetering op, maar met afnemende meerwaarde (diminishing returns).
• Optimalisatie: Het framework identificeert succesvol gebieden met hoge FOM-waarden, vaak in de buurt van de grenzen van modusconvergentie, waar de interactie tussen het evanescente veld en het rGO-film het sterkst is.

Betekenis en Toekomstperspectief

Dit werk demonstreert dat AI-gestuurde methoden een krachtig hulpmiddel zijn voor het ontwerp van geavanceerde fotonische componenten, specifiek voor 2D-materialen zoals rGO. De methode maakt het mogelijk om complexe, niet-lineaire relaties tussen geometrie en optische respons efficiënt te modelleren, wat onmogelijk is met eenvoudige interpolatie.

De resultaten bieden een praktische route voor het snelle ontwerp van hoogwaardige on-chip polarisatoren. Hoewel de studie zich richt op een specifieke configuratie, is het principe universeel toepasbaar op andere 2D-materialen, golflengtes en geïntegreerde platformen. Toekomstig werk zal gericht zijn op de experimentele validatie van de door het model voorspelde hoge-FOM ontwerpen en het uitbreiden van het framework naar dynamische of multi-parameter optimalisaties.