Создание поверхностей, которые управляют светом на нанометровом уровне, традиционно зависит от компьютерных симуляций. Эти программы строят идеальные модели, где нет места случайным ошибкам производства или нестандартным углам падения лучей. Реальность же вносит свои коррективы: даже самый точный станок оставляет микроскопическую шероховатость, а свет редко падает строго перпендикулярно. Разрыв между виртуальным проектом и физическим изделием заставляет инженеров годами подбирать рабочие параметры методом проб и ошибок. Новое исследование предлагает иной путь: вместо доведения симуляций до абсолютной точности научить искусственный интеллект работать с реальными изъянами как с ценным источником данных.
Почему компьютерные симуляции перестали справляться
Оптические поверхности Фурье используют наноструктурированные решетки для управления направлением и длиной волны света. Они нужны в компактных спектрометрах, датчиках и системах дополненной реальности. Проблема в том, что стандартный расчет предполагает идеальные условия. Разработчики вводят в программу параметры гладкой геометрии и одиночный угол падения луча. В жизни же свет падает под разными углами, а сама структура после изготовления имеет микроскопические дефекты и асимметрию.
Из-за этого расчетные данные часто не совпадают с результатами экспериментов. Особенно остро эта проблема стоит при попытке использовать угол падения света как дополнительный инструмент настройки. Изменение этого угла позволяет менять свойства прибора без физической перестройки деталей. Однако симуляции для таких сложных сценариев требуют огромных вычислительных мощностей и часто дают нестабильный результат.
Обучение нейросети на реальных дефектах
Группа ученых из Сингапурского технологического университета и других научных центров предложила отказаться от симуляций в пользу реальных измерений. Они разработали глубокую обучающую систему, которая получила название ExpForm. В основе работы лежит архитектура трансформера — той же технологии, что применяется в современных языковых моделях.
Вместо того чтобы заставлять машину строить идеальные картинки, исследователи скармливали ей данные, полученные с реальных образцов. Было изготовлено четыре типа квазиоптических поверхностей методом наноимпринтной литографии. С помощью спектроскопии команда собрала более 25 000 спектральных изображений при разных углах падения и азимутальных углах. Каждое измерение занимало около шести минут. В итоге нейросеть увидела не«чистую» геометрию, а живые образцы со всеми их шероховатостями, погрешностями материала и шумами в измерениях.
Два режима работы интеллектуального дизайна
Созданный алгоритм функционирует в двух направлениях, что делает его полноценным инструментом для инженеров. Прямая сеть принимает на вход параметры структуры и углы освещения, чтобы мгновенно предсказать итоговый оптический спектр. Обратная сеть решает обратную задачу: по заданному спектру она подбирает нужные размеры деталей и условия освещения.
Такая схема позволяет полностью перестроить процесс разработки. Раньше инженеры шли по пути: расчет, изготовление, замер, исправление ошибок. Теперь этот цикл замыкается внутри нейросети.
Ключевые преимущества нового подхода включают:
- высокую точность предсказаний, совпадающую с экспериментальными данными на 99,79 процента;
- радикальное ускорение работы — скорость оценки спектра выросла примерно в 900 раз по сравнению с классическими методами;
- возможность создавать сложные оптические отклики без необходимости каждый раз изготавливать новый физический макет.
Скорость и гибкость в настройке приборов
Главная ценность разработки — сокращение времени на проектирование. То, на что раньше уходили дни или недели непрерывных расчетов и серий пробных образцов, теперь выполняется за секунды. Исследователи продемонстрировали, что с помощью ExpForm можно настраивать узкополосные резонансы и создавать профили с высоким коэффициентом отражения, просто меняя угол падения света.
Это открывает путь к созданию многофункциональных устройств. Один и тот же физический чип может выполнять разные задачи в зависимости от того, под каким углом на него направлен источник света. Такой подход называют угловым программированием. Это расширяет пространство для дизайна, добавляя к геометрии структуры еще одну степень свободы.
По словам доцента Дона Чжаогана, это переход от дизайна, основанного на первых принципах, к парадигме, опирающейся на экспериментальные данные, где искусственный интеллект выступает содизайнером, а не просто вычислительным инструментом.
Перспективы для науки и промышленности
Авторы работы опубликовали полный набор экспериментальных данных в открытом доступе. Это решение должно помочь другим научным группам в создании и проверке собственных нейросетей. Ранее подобные экспериментальные методы ограничивались микроволновым диапазоном, тогда как новая работа переносит технологию в область видимого и ближнего инфракрасного света.
В будущем ученые планируют адаптировать эту методику для высокодобротных резонаторов и нелинейных оптических платформ. Уже доказана применимость системы для диэлектрических устройств и трехмерных метаструктур. Подход, при котором ИИ учитывает реальные несовершенства производства, может быть полезен не только в фотонике, но и в материаловедении, электронике и квантовых технологиях.
Статья с описанием метода опубликована в журнале PhotoniX.
Переход к использованию данных реальных измерений вместо идеализированных моделей меняет подход к созданию сложной техники. Учет производственных погрешностей как части рабочего процесса позволяет создавать более надежные и гибкие системы. Это снижает стоимость разработки и ускоряет появление на рынке новых оптических приборов, которые раньше существовали только в теоретических расчетах.
