你会学到什么：
- 是什么促使麻省理工学院的团队研究和开发一种纳米尺度的“手电筒”?
- 用于创建源束准直器的超表面的详细信息。
- 如何在设计过程中应用DNN、CNN和机器学习。
- 通过测试获得的结果。
在科学、生物和医学中，用于实现荧光成像/显微镜、红外(IR)光谱和拉曼光谱的芯片上的光谱传感安排的小型化具有重要的意义(图1)．所有这些都用于气体和液体的快速，准确，无侵入性分析。
然而，由于缺乏合适的光源，研究大多集中在片上光学探测器的开发上，对互补激发源的关注相对较少，这在一定程度上限制了研究的进展。一个很大的挑战是，光源照明必须是准直的，有一个狭窄的波长光谱，通常是可调的。因此，这些“单芯片”分析仪仍然需要一个外部LED或激光作为光源，这增加了它们的复杂性、大小和成本。
为了克服这一障碍，一个基于麻省理工学院的一个MIT研究团队，设计并在芯片上进行了强大的纳米级“手电筒”，该芯片在指定波长处产生所需的准直的光流。虽然制造本身使用标准微电子工艺 - 一个大加上，当然 - 他们用于决定构建片上的结构的设计方法不是标准的。
它们而不是建议设计解决方案，然后模拟，模拟和微调它们，它们广泛地依赖于机器学习技术。通过大量数据和光传播和操纵的物理来教导计算机来预测潜在的解决方案。
他们设计了一个超表面来创建一个平面集成光子源光束准直器，用于片上光流传感应用。此外，为了优化超表面以更好地达到各种性能目标，他们使用了带有迭代反设计方法的梯度下降方法。
该团队从预期的衍射光束轮廓的最终结果开始，然后应用反模型来评估超表面的最佳设计参数(图2)．采用前馈深度神经网络(DNN)和卷积神经网络(CNN)结构计算表面重复周期、散射体高度和大小等参数。
这种方法比简单地定义目标并具有机器学习算法通过选项，以试图沿着所需方向最大化性能的方法。他们注意到梯度 - 下降方法对初始条件非常敏感，因此尽可能准确地将过程初始化至关重要。这是使用有效镜像模型来完成的元光栅结构和带光栅槽的级联镜像模型(图3)．
该项目并不仅仅是一个使用深度机器学习设计创新集成、高性能光子结构的理论练习。一旦符合标准的优化设计被建立，他们就在氮化硅衬底上使用电子束光刻和反应离子蚀刻来定义光栅结构的几何形状，利用单层图案制作了一个器件。
在测试和评估阶段，该团队使用了一个光束轮廓仪和近红外(NIR)相机以及一个单独的对准相机来确定光束色散轮廓(图4)．然后将其与尺寸相当的传统光束光栅进行比较(图5)．
显然，诸如此类的设备的性能不能通过单个参数来概述，也不容易表征它，然后将其与传统的光束光栅方法进行比较。研究人员注意到通过元尺度传递的功率大约是传统光栅表面的5倍，并且光束点的3-dB宽度从100μm增加到达到〜300μm，对于200×50μm的占地面积2．这使得片上装置的光照明效率更高。
该团队得出结论，这种类型的激励源，当与平面波导的光子检测器/光电检测器集成时，具有小型化光谱分辨率和加速医学传感的可能性。由于项目的双方面 - 设备本身及其机器学习设计方法 - 在发布的两篇论文中描述了工作自然科学报告”,片上传感中光束准直的光子元结构逆设计“ 和 ”利用深度学习设计光学元结构的光学元结构论文讨论了项目的各个方面，从理论到概念，通过执行，ML流程图，实际制造和测试，以及必要的光学物理和相关的方程。
