Physics-Informed Neural Networks for Optimal Beam Shaping in Flat Optics
本文介绍了一种求解 Monge–Ampère 方程的新型物理信息神经网络（PINN）方法，用于设计用于平坦光学器件的相位轮廓，从而实现将入射光束重塑为预设的强度分布（涵盖有限场与远场目标），且其性能已通过与传统方法的对比验证。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
不要仅仅把光看作是一束发光的射线，而要把它想象成一群充满活力的小型奔跑者。在光学世界中，科学家们经常想要改变这些奔跑者的扩散方式。也许他们最初在一个紧凑的圆形集群中（就像激光笔一样），然后需要被重新排列成一个完美的正方形、一颗星，甚至是在撞击墙壁时呈现出特定的标志。这个过程被称为“光束整形”。这对于切割金属的激光、制作3D显示器或均匀照亮舞台等应用至关重要。
传统上，科学家们使用一种“仅相位”的技巧。想象一块平坦的玻璃或一种特殊的屏幕（比如超表面），它不会阻挡光线，但会改变波通过时的“时机”。这就像是一个十字路口的交通指挥员，他不会让车辆停下，但会告诉车辆加速或稍微减速，以便它们以一种新的、有组织的模式到达目的地。挑战在于，如何精确计算出在经过这块玻璃的每一个点时，该如何扭转这种时机，从而在终点得到完美的图像。这是一个巨大的数学谜题，涉及描述能量必须如何守恒以及光如何弯曲的复杂方程。
现在，来认识一下这个故事中的新英雄：物理信息神经网络，或者简称 PINN。你可以把神经网络看作是一个超级聪明的数字学徒，它通过试错来学习。通常，这些学徒需要成千上万个示例答案才能学会一项任务。但这个特定的学徒不同。它不需要一个带着一叠答案集的老师。相反，它直接从“物理定律”本身中学习。论文介绍了一种方法，其中这个数字学徒的任务是解决光束整形的谜题。它不是通过对比旧数据来进行猜测和检查，而是每当它提出的方案违反了光和能量行为的基本规则时，就会受到惩罚。这就像教学生造桥，不是通过向他们展示桥梁的照片，而是每当他们犯错时，让他们感受重力和缆绳张力的重量。
研究人员发现，这种方法效果显著。他们使用他们的 PINN 设计了相位分布图，成功地将高斯（圆形）激光束重新塑形为两个截然不同的目标：一个在有限距离内的平滑星形平顶图案，以及远场中一个复杂的“DT”标志。当他们使用详细的计算机模拟（模拟光是如何波动和衍射的）来测试这些设计时，结果令人印象深刻。与被称为 Gerchberg–Saxton 算法的传统长期方法相比，这种新方法产生的形状更清晰，且“斑点”（那些经常破坏激光图像的烦人的颗粒状噪声图案）更少。事实上，在“DT”标志测试中，新方法的误差准确度比旧方法高出约 75 倍，并且能够将近 100% 的光能保持在目标形状内，而旧方法则会损失一部分能量，并产生杂乱得多的图像。
论文指出，这是此类物理引导神经网络首次应用于平坦光学光束整形。虽然目前的结果是基于模拟和数学模型而非物理硬件测试，但神经网络的基于射线（ray-based）的数学运算与基于波（wave-based）的光模拟之间表现出了高度的一致性。作者总结道，这种方法提供了一种更精确、更高效的方式来雕刻光线，通过让计算机直接学习宇宙的规则，这可能为更好的平坦透镜和光学器件在未来开启大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。