硅光子学技术使紧凑型集成光子器件具备了多功能性和大规模生产的能力。然而，高性能自由形式光学器件的设计仍然具有挑战性，因为涉及到复杂的光和物质的相互作用，需要耗费大量时间进行电磁模拟。而当需要设计多个硅光子器件时，这个问题变得更加突出，通常需要长时间的迭代优化。解决大规模硅光子器件的逆向设计问题具有很强的研究价值和工业设计生产意义。

近日，清华大学深圳国际研究生院付红岩副教授团队开发出一种全自动大规模多任务硅基光子器件的逆向设计方法。该方法是一种基于低维傅里叶频域和深度神经网络的拓扑优化方法，能在有效控制逆向设计器件的最小尺寸的同时快速训练可用于器件设计的深度神经网络，无需任何提前准备的数据集。

图1.多任务光子滤波器设计

逆向设计是将整个设计区域像素化，通过目标优先的优化方法确定器件的具体结构。考虑到器件加工需求，那些孤立的像素点和狭缝无法加工，因此需要通过平滑结构边缘来满足加工需要，这也使得部分设计自由度变得冗余。已知傅立叶低频信号对应了器件的主体结构，而傅立叶高频信号代表了噪声和图像中快速变化的信息。仅使用低频傅立叶分量在重建时域图像结构时能在控制器件最小尺寸的同时，降低冗余的设计自由度。

图2.最小尺寸控制方法

为实现多任务器件优化设计，研究人员将设计目标通过一个深度生成神经网络映射到低频傅立叶分量。这些分量在高频补零后通过傅立叶逆变化即可还原成器件图形的具体结构。生成的器件结构通过电磁仿真软件仿真后得到实际的光学响应。该响应与目标光学响应之间的差值可用于生产神经网络的训练。

图3.基于深度神经网络的多任务优化器的训练过程示意图

经过训练后的神经网络可用于直接生成多个光学器件而无需额外的优化仿真时间。研究人员将上述训练好的网络用于光学滤波器的设计，不到1秒的时间内设计了400个光学滤波器并且能保持很高的性能指标。

图4.12个随机选取的预测的光学滤波器结构及其对应的波普

该方法几乎是一种全自动的多任务优化方法，能用于其他不定形器件的设计。研究人员还使用该方法设计了一个集成的单光子源，设计的该集成光源的效率能达到90%以上。该多任务优化方法极大减少了多器件设计所需的时间和资源，使得未来大规模器件的快速逆向设计成为了可能。

图5.该优化方法用于单光子源的设计

相关成果近日以“基于深度学习的低维傅立叶域光子器件多任务拓扑优化”（Multi-task topology optimization of photonic devices in low-dimensional Fourier domain via deep learning）为题发表在期刊《纳米光子学》（Nanophotonics）上。

论文的第一作者为清华大学深圳国际研究生院2019级直博生毛思梅，通讯作者为清华大学深圳国际研究生院付红岩副教授。论文作者还包括清华大学深圳国际研究生院2018级直博生程理荣、2021级硕士生陈厚余、2020级博士生刘轩逸以及北京大学深圳研究生院李倩副教授。该项目得到广东省基础与应用基础研究基金项目以及深圳市科技计划项目的支持。