بهینه‌سازی نانوبلورهای فوتونی برای نامرئی‌سازی با هوش مصنوعی

بلورهای فوتونی، ساختارهایی هستند که با ایجاد تغییرات متناوب در ضریب شکست، می‌توانند انتشار نور را کنترل کنند. این ساختارها با ایجاد شکاف باند، امکان هدایت امواج الکترومغناطیسی در جهات خاص و پنهان کردن اشیاء را فراهم می‌کنند. بلور فوتونی به‌عنوان ساختارهای میکروسکوپی با ویژگی‌های نوری منحصربه‌فرد، در طراحی سیستم‌های نامرئی‌سازی کاربرد دارند. با این‌حال، طراحی و بهینه‌سازی این ساختارها به‌خصوص با روش‌های جدید مانند یادگیری عمیق به‌طور کامل مورد بررسی قرار نگرفته است. استفاده از روش‌های یادگیری عمیق می‌تواند در این زمینه بسیار مفید باشد و بنابراین در این مقاله، از معماری شبکه عصبی عمیق resnet، برای بهینه‌سازی بلورهای فوتونی استفاده شده است. resnet با استخراج ویژگی‌های پیچیده و غیرخطی از داده‌های ورودی، می‌تواند به طراحان در انتخاب مواد مناسب و تعیین ابعاد و آرایش بهینه نانوساختارهای بلور فوتونی برای نامرئی‌سازی کمک کند. پدیده شکست منفی در بلورهای فوتونی و نحوه انتشار نور در نامرئی‌ساز پیشنهادی با یادگیری عمیق، با شبیه‌سازی fdtd مورد مطالعه قرار گرفت. نتایج نشان داد که طراحی مناسب بلورهای فوتونی با استفاده از یادگیری عمیق می‌تواند به ایجاد ساختارهای کارآمد کمک کند.

optimization of photonic nanocrystals for invisibility using artificial intelligence

photonic crystals are structures that can control the propagation of light by creating periodic changes in the refractive index. these structures facilitate directing electromagnetic waves in specific directions and making objects invisible by creating a bandgap. photonic crystals, as microscopic structures with unique optical properties, are used in the design of invisibility systems. however, the design and optimization of these structures, especially with new methods like deep learning, have not been thoroughly investigated. utilizing deep learning techniques can be highly beneficial in this area. therefore, this paper employs the deep neural network architecture resnet to optimize photonic crystals. resnet can assist designers in selecting suitable materials and determining the optimal dimensions and arrangements of photonic nanostructured crystals for invisibility by extracting complex and nonlinear features from input data. the phenomenon of negative refraction in photonic crystals and the way light propagates in the proposed invisibility were studied using fdtd simulation. the results indicated that appropriate design of photonic crystals using deep learning could contribute to the creation of efficient structures.