Machine Learning-Driven Design in High-Precision Optical Metrology
Artificial Intelligence and photonics are two fields that individually shaped modern science for decades. However, the interdisciplinary field of utilizing intelligent algorithms to facilitate the design of photonic devices only emerged during the last few years. Although techniques in the field of Artificial Intelligence promise to reach unprecedented functionalities, especially in the intricate field of high-precision optical metrology, which involves the precise measurement and characterization of light and optical properties for applications requiring nanometer to sub-nanometer accuracy, their application necessitates the understanding of completely new frameworks. This thesis delves into the innovative integration of Machine Learning methods within the domain of optical device optimization, particularly focusing on the design of high-performance optical cavities and metasurfaces for applications in high-precision optical metrology. These applications often present extreme demands for the optical performance, such as the reflectivity of optical mirrors or the noise performance of multiscale optical systems. Existing Machine Learning methods fall short in addressing these cutting-edge requirements, for example in exceeding metasurface
efficiency well beyond 90 %. This thesis tackles the novel intersection of nanophotonics and Artificial Intelligence to enhance the design and functionality of photonic devices. Through a meticulous numerical analysis, it assesses the spectrum of noise sources in ultra-stable laser systems, highlighting the non-intuitive role of the mirrors for the first time. Employing neural networks, the study showcases a novel method for rapid and accurate noise estimation, leading to the optimization of cavity geometries for minimized noise. Furthermore, the thesis explores the potential
of metamirrors, designed through advanced Machine Learning techniques, to achieve near-unity reflectivity and precise phase control for focusing light, surpassing traditional mirror designs. A novel tandem neural network approach facilitates the design of a focusing metamirror, demonstrating exceptional performance in reflectivity and phase accuracy for a typical wavelength of 1550 nm. This work also introduces freeform topology optimization methods for designing metaatoms capable of dual-wavelength operation at 1064nm and 1550 nm, utilizing cutting-edge computer vision models for predicting optical properties from binary pixel maps. The research outlines the critical role of Machine Learning in advancing the design and optimization of optical devices, offering a comprehensive framework for future studies in photonic device design. It sets a new benchmark for the application of Artificial Intelligence in photonics, paving the way for further exploration of sophisticated Machine Learning techniques.
Künstliche Intelligenz und Photonik sind zwei Bereiche, die die moderne Wissenschaft über Jahrzehnte hinweg geprägt haben. Das interdisziplinäre Gebiet, das solche intelligenten Algorithmen nutzt, um das Design photonischer Bauteile zu erleichtern, entstand erst in den letzten Jahren. Obwohl viele Methoden aus dem Bereich der künstlichen Intelligenz, insbesondere im komplexen Feld der Hochpräzisionsmetrologie, die die genaue Messung und Charakterisierung von Licht und optischen Eigenschaften für Anwendungen mit einer Genauigkeit von Nanometern
bis zu Sub-Nanometern umfasst, unerreichte Funktionalitäten versprechen, erfordert ihre Anwendung ein umfassendes Verständnis völlig neuer Methoden. Diese Arbeit befasst sich mit dem Einsatz von Methoden des maschinellen Lernens im Bereich der Optimierung optischer Bauteile, mit besonderem Fokus auf die Implementierung optischer Resonatoren und Metaoberflächen für Anwendungen in der Hochpräzisionsmetrologie. Diese Anwendungen stellen oft extreme Anforderungen an die optische Performance, z. B. an das Reflexionsvermögen von optischen Spiegeln
oder das Rauschverhalten von mehrskaligen optischen Systemen. Bestehende Methoden des maschinellen Lernens werden diesen modernen Anforderungen nicht gerecht, wenn es beispielsweise darum geht, die Effizienz von Metaoberflächen weit über 90% hinaus zu steigern. In dieser Arbeit wird jener neue Schnittpunkt von Nanophotonik und künstlicher Intelligenz untersucht, um das Design und die Funktionalität photonischer Bauteile zu verbessern. Eine umfassende numerische Analyse bewertet ein breites Spektrum von Rauschquellen in ultrastabilen Lasersystemen und hebt zum ersten Mal die Rolle der Spiegel hervor. Unter Verwendung von neuronalen Netzwerken beschreibt die Studie eine neuartige Methode für eine schnelle und genaue Abschätzung von Rauschbeiträgen, die zur Optimierung
der Resonator-Geometrie für minimiertes Rauschen führt. Weiterhin erkundet die Dissertation das Potenzial von Metaspiegeln, die durch fortschrittliche Techniken des maschinellen Lernens designt wurden, um eine nahezu vollständige Reflektion und präzise Phasenkontrolle für das Fokussieren von Licht zu erreichen und damit traditionelle Spiegeldesigns abzulösen. Ein neuartiger Tandem-Ansatz neuronaler Netzwerke erleichtert das Design eines fokussierenden Metaspiegels und demonstriert außergewöhnliche Leistungen in Bezug auf Reflektivität und Phasengenauigkeit für eine typische Wellenlänge von 1550 nm. Zudem werden erste Proben dieser fokussierenden Metaspiegel hergestellt und charakterisiert. Diese Arbeit führt zudem eine Methode der Freiform-Optimierung für das Design von Metaatomen ein, die es ermöglichen kann, einen Metaspiegel mit zwei Wellenlängen, 1064nm und
1550 nm, zu betreiben. Hierfür werden modernste Computer-Vision-Modelle zur Vorhersage optischer Eigenschaften der Metaatome genutzt. Die Forschung unterstreicht die unersetzliche Rolle des maschinellen Lernens bei derWeiterentwicklung der Design-Prozesse und der Optimierung optischer Bauteile und bietet einen umfassenden
Rahmen für zukünftige Studien auf diesem Gebiet. Sie setzt einen neuen Maßstab für die Anwendung von künstlicher Intelligenz in der Photonik und ebnet den Weg für weitere Untersuchungen neuartiger Techniken des maschinellen Lernens.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
