Проектирование хиральных метаматериалов по требованию с использованием глубокого обучения

Рамки глубокого обучения существенно повлияли на развитие современной машинной обработки данных, постоянно расширяя пределы традиционного распознавания и обработки изображений, речи и видео. В то же время глубокое обучение начинает проникать в другие дисциплины, такие как биология, генетика, материаловедение и физика. В настоящей работе мы представляем модель на основе глубокого обучения, состоящую из двух двунаправленных нейронных сетей, собранных с использованием стратегии частичного стэкинга, для автоматического проектирования и оптимизации трёхмерных хиральных метаматериалов с выраженными хирооптическими откликами на заранее заданных длинах волн. Модель способна выявлять сложную, неинтуитивную зависимость между структурой метаматериала и его оптическими откликами по набору обучающих примеров, что позволяет избежать трудоёмких численных расчётов в каждом отдельном случае, применяемых в традиционных подходах к проектированию метаматериалов. Такой подход не только обеспечивает более точное и эффективное прямое прогнозирование оптических характеристик, но и позволяет обратным образом получать конструкции по заданным требованиям. Наши результаты демонстрируют, что подобная модель, основанная на данных, может служить мощным инструментом для изучения сложных взаимодействий света и материи и для ускорения проектирования нанофотонных устройств, систем и архитектур по требованию для практических применений.