|
|
光学多层薄膜结构已被广泛应用于众多光子学领域及场景中，而支撑这些应用落地的核心技术正是逆设计。与超表面、波导等其他光子学结构不同，多层薄膜属于一维结构，因此在设计流程上需采用针对性的方法。数十年来，优化算法始终是光学多层薄膜逆设计的主流技术方案。近年来，融合各类深度学习算法以解决逆设计问题的相关研究发展迅猛。由此引申出几个本领域的核心问题：这些算法之间存在哪些差异？我们为何需要开发如此多的算法，它们各自又能解决哪些类型的挑战？当前该领域的前沿算法是什么？针对上述问题，本文综述了该研究方向的最新进展，系统梳理了从传统优化算法到新一代深度学习方法的技术演进脉络，并探讨了该领域现存的挑战与未来发展方向。
|
|
|
|
综上，本综述系统梳理了适用于多层薄膜结构的各类逆设计算法，涵盖从传统的基于优化的方法到近年来备受关注的基于深度学习的方法。基于优化的方法需要对多层薄膜结构进行迭代仿真，并对适应度函数进行反复评估，这对于复杂结构和多方案设计而言，往往耗时较长。与之相对，基于深度学习的方法通过对已有数据集的学习，构建出性能与结构之间的通用映射关系，因此其设计速度远快于优化方法。但需要注意的是，训练数据集的采集与模型训练本身也需要耗费大量时间，因此在选择设计方法时，应先对比方法耗时与实际任务需求，再做出合理决策。此外，在处理实验室新开发的材料，或涉及不同包层介质与基底的定制化多层薄膜结构时，基于优化的方法具备更高的灵活性 —— 这两类场景下，深度学习方法通常需要重新采集数据集并开展模型再训练。两种方法各有优劣，分别对应不同类型的逆设计需求。直到近期，研究人员才提出了序列表征法这一专属于层状结构的独特数据表征方式，该方法为革新多层薄膜逆设计流程展现出巨大潜力。
尽管基于深度学习的方法已取得显著成效，但该领域仍存在诸多亟待解决的问题。其中最核心的挑战当属深度学习的 **“黑箱问题”**：由于神经网络内部存在高度复杂性与非线性特征，其预测结果的推导过程往往难以被合理解释。而在逆设计中，这种可解释性至关重要 —— 研究人员需要明确，算法筛选出的最优结构是源于已知的物理机制，还是隐含着尚未被发现的全新物理规律。然而，目前针对破解 “黑箱问题” 的探索仍不够深入，亟待新的思路与方法来揭示模型背后隐藏的物理原理。另一项难题在于，多数基于深度学习的方法都依赖大规模数据集。尽管训练完成的神经网络在逆设计阶段的运算速度极快，但训练数据集的生成过程本身却十分耗时，这就引发了一个矛盾：逆设计阶段的提速收益，是否能覆盖数据集构建的时间成本？除了这类基于数据驱动的深度学习方法外，目前基于神经算子的学习方法在求解复杂偏微分方程领域逐渐兴起，例如物理信息神经网络（PINN）[113,114] 与深度算子网络（DeepONet）[115,116]。这类方法将物理规律与数学方程嵌入神经网络模型，无需依赖任何数据集即可直接构建输入与输出之间的复杂映射关系。未来，亟需投入更多研究力量，将这类方法整合应用于多层薄膜的逆设计任务中。
最后，两类方法均存在一些需要重点关注的共性问题。例如，在设计过程中必须考虑入射光束尺寸的物理约束条件，这一点对于激光功能滤光片等小光斑入射的应用场景尤为关键。如果这类约束条件未被纳入设计考量，所设计的多层薄膜结构在大入射角工况下的性能很可能达不到预期效果。目前，无论是基于优化还是深度学习的方法，针对这类问题的研究都较为欠缺，亟待新的技术手段攻克此类挑战。一个可行的研究方向是，将这类特殊工况视为 **“分布外数据集”** 进行处理 —— 我们团队近期提出了一种解决方案，即基于预训练 Transformer 模型，结合扰动算法与遗传优化技术，来应对此类场景的设计需求。