MARC

 008250123s2024        us                              c    eng  d
■001000017164315
■00520250211152947
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342144544
■035    ▼a(MiAaPQ)AAI31606929
■035    ▼a(MiAaPQ)Purdue26768077
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a660
■1001  ▼aYesilurt,  Omer.
■24510▼aPhysics  Inspired  AI-Driven  Photonic  Inverse  Design  for  High-Performance  Photonic  Devices
■260    ▼a[Sl]▼bPurdue  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a114  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  A.
■500    ▼aAdvisor:  Kildishev,  Alexander  V.
■5021  ▼aThesis  (Ph.D.)--Purdue  University,  2024.
■520    ▼aThis  thesis  presents  novel  methodologies  to  integrate  AI-driven  and  physics-inspired  methodologies  into  photonic  inverse  design,  setting  new  benchmarks  for  high-performance  photonic  devices  in  different  branches  of  photonics.  By  blending  advanced  computational  techniques  with  the  foundational  principles  of  electromagnetism,  this  research  tackles  key  challenges  in  optimizing  device  efficiency,  robustness,  and  functionality.  The  aim  is  to  propel  photonic  technology  beyond  its  current  capabilities,  offering  transformative  solutions  for  a  range  of  novel  applications.The  first  major  contribution  focuses  on  adjoint-based  topology  optimization  for  on-chip  single-photon  coupling.  We  developed  an  adjoint  topology  optimization  scheme  to  design  high-efficiency  couplers  between  photonic  waveguides  and  single-photon  sources  (SPSs)  in  hexagonal  boron  nitride  (hBN).  This  algorithm  addresses  fabrication  constraints  and  SPS  location  uncertainties,  achieving  a  remarkable  average  coupling  efficiency  of  78%.  A  library  of  designs  is  generated  for  different  positions  of  the  hBN  flake  containing  an  SPS  relative  to  a  silicon  nitride  (SiN)  waveguide.  These  designs  are  then  analyzed  using  dimensionality  reduction  techniques  to  investigate  the  relationship  between  device  geometry  and  performance,  infusing  the  design  process  with  deep  physical  intuition  and  insight.The  second  key  advancement  is  presented  through  a  neural  network-based  inverse  design  framework  specifically  developed  for  optimizing  single-material,  variable-index  multilayer  films.  This  neural  network-driven  technique,  supported  by  a  differentiable  analytical  solver,  enables  the  realistic  design  and  fabrication  of  these  multilayer  films,  achieving  high  performance  under  ideal  conditions.  The  approach  also  addresses  the  challenge  of  bridging  the  gap  between  these  ideal  designs  and  practical  devices,  which  are  subject  to  growth-related  imperfections.  By  incorporating  simulated  systematic  and  random  errors-reflecting  actual  deposition  challenges-into  the  optimization  process,  we  demonstrate  that  the  neural  network,  initially  trained  to  produce  the  ideal  device,  can  be  reconfigured  to  create  designs  that  compensate  for  systematic  deposition  errors.  This  method  remains  effective  even  when  random  fabrication  inconsistencies  are  present.  The  results  provide  a  practical  and  experimentally  viable  strategy  for  developing  single-material  multilayer  film  stacks,  ensuring  reliable  performance  across  a  wide  range  of  real-world  applications.The  final  cornerstone  of  this  research  investigates  the  two-stage  inverse  design  of  superchiral  dielectric  metasurfaces.  We  propose  a  two-stage  inverse  design  scheme  for  dielectric  lossless  metasurfaces  with  central  superchiral  hot  spots.  By  leveraging  the  excitation  of  high-quality  factor  modes  with  low  mode  volumes,  we  achieve  up  to  19,000-fold  enhancements  of  optical  chirality.  This  method  extends  the  local  density  of  field  enhancements  for  non-chiral  fields  into  the  chiral  regime  and  significantly  surpasses  previous  enhancements  in  superchiral  field  generation.  Our  results  open  new  avenues  in  chiral  spectroscopy  and  chiral  quantum  photonics,  exemplifying  the  powerful  synergy  of  AI  techniques  and  physics-based  design  principles  in  creating  highly  innovative  and  functional  photonic  structures.Collectively,  the  methodologies  developed  in  this  thesis  signify  a  major  advancement  in  the  field  of  photonic  inverse  design.  By  merging  AI-driven  techniques  with  rigorous  physics-based  optimization  frameworks,  this  research  paves  the  way  for  the  next  generation  of  photonic  devices.
■590    ▼aSchool  code:  0183.
■650  4▼aSilicon  nitride
■650  4▼aDesign  optimization
■650  4▼aIntegrated  circuits
■650  4▼aDeep  learning
■650  4▼aSpectrum  analysis
■650  4▼aElectromagnetism
■650  4▼aOptimization  techniques
■650  4▼aElectric  fields
■650  4▼aNeural  networks
■650  4▼aInformation  processing
■650  4▼aOptical  properties
■650  4▼aPhotonics
■650  4▼aPoint  defects
■650  4▼aOptimization  algorithms
■650  4▼aDesign  techniques
■650  4▼aAnalytical  chemistry
■650  4▼aAtomic  physics
■650  4▼aDesign
■650  4▼aElectromagnetics
■650  4▼aElectrical  engineering
■650  4▼aOptics
■690    ▼a0486
■690    ▼a0800
■690    ▼a0748
■690    ▼a0389
■690    ▼a0607
■690    ▼a0544
■690    ▼a0752
■71020▼aPurdue  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04A.
■790    ▼a0183
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164315▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서