بهینه سازی طراحی موجبرهای نوری و پلاسمونیکی مبتنی بر نانوساختارها با استفاده از الگوریتم های یادگیری ماشین

این مقاله به بررسی بهینه سازی طراحی موجبرهای نوری و پلاسمونیکی مبتنی بر نانوساختارها می پردازد. موجبرهای نانوفوتونیک و پلاسمونیک به دلیل قابلیت تمرکز و هدایت نور در ابعاد زیر طول موج کاربردهای گسترده ای در سامانه های انتقال داده، مدارهای مجتمع نوری و حسگرهای زیستی یافته اند؛ اما تلفات نوری بالا و پیچیدگی های طراحی از مهمترین موانع بهره برداری کامل از این ساختارها به شمار می روند. در این پژوهش، ابتدا ساختارهای مختلف موجبر شامل نانوویوگایدهای گرافنی و موجبرهای مبتنی بر سیلیکون و فلزات نجیب با استفاده از روش های دقیق شبیه سازی عددی مانند تفاضل محدود در حوزه زمان و المان محدود مدل سازی شده اند. سپس داده های به دست آمده جهت آموزش الگوریتم های یادگیری ماشین شامل شبکه های عصبی عمیق، الگوریتم های ژنتیک و بهینه سازی ازدحام ذرات به کار گرفته شده اند. هدف اصلی استفاده از این روش ها جایگزینی شبیه سازی های پرهزینه و زمان بر FDTD و FEM با مدل های پیش بینی سریع و دقیق یادگیری ماشین به منظور یافتن ابعاد و مواد بهینه برای کاهش تلفات و افزایش بازده موجبرها است. نتایج نشان می دهد که به کارگیری یادگیری ماشین می تواند تلفات نوری را تا ۳۰ درصد کاهش داده و بازده انتقال را بیش از ۲۰ درصد افزایش دهد. همچنین این روش قابلیت پیش بینی پارامترهای بهینه سازی را با دقت بالا و در زمان کوتاه فراهم می آورد که منجر به تسریع روند طراحی و توسعه موجبرهای نانوفوتونیک و پلاسمونیک می شود. این پژوهش گامی مهم در تلفیق فناوری های نانو و هوش مصنوعی برای توسعه سامانه های فوتونیکی پیشرفته به شمار می آید و کاربردهای متعددی در حوزه های مخابرات نوری، حسگرهای زیستی و مدارهای یکپارچه نوری دارد.

کلیدواژه ها:

پلاسمونیکی ، نانوساختارها ، یادگیری ماشین ، نانوفوتونیک ، موجبرهای گرافنی ، موجبرهای مبتنی بر سیلیکون