基于强化学习的高效深紫外氮化铝超光栅设计及其在光束偏转中的应用

《Applied Physiology Nutrition and Metabolism》：Reinforcement learning enabled high-efficiency DUV aluminum nitride metagrating

本研究针对深紫外(DUV)光学元件效率低、大角度偏转难的问题，开发了一种结合强化学习(RL)和严格耦合波分析(RCWA)的逆向设计框架，用于优化AlN超光栅。研究人员通过Q-learning算法探索纳米线几何参数空间，实现了80°偏转角下75%的测量效率，为DUV光子系统的AI辅助设计提供了新范式。

　　

在当今光子学领域，深紫外(DUV)光波因其高能量和短波长特性，已成为分子光谱、无标记生物成像、临床诊断和先进光刻等尖端技术不可或缺的工具。然而，传统光学元件在DUV波段面临严峻挑战：普通光学玻璃在300纳米以下波长出现显著吸收，而DUV兼容材料往往需要复杂的多层结构或特殊工艺，导致系统笨重且成本高昂。更棘手的是，当试图实现大角度光束偏转时，传统超表面设计会遭遇相位欠采样问题——随着偏转角增大，所需的相位梯度变得愈加陡峭，但受限于最小特征尺寸，超晶格内可容纳的单元数量有限，最终导致效率急剧下降。

面对这一瓶颈，台湾阳明交通大学电子研究所的研究团队另辟蹊径，将人工智能领域的强化学习(RL)与光子学设计的严格耦合波分析(RCWA)相结合，开创了一种高效的逆向设计策略。他们的研究成果发表在《Applied Physiology Nutrition and Metabolism》上，展示了如何通过这种创新方法设计出高性能的氮化铝(AlN)超光栅，在DUV波段实现了前所未有的大角度光束偏转效率。

研究团队采用的核心技术方法主要包括：基于Q-learning的强化学习框架进行纳米结构几何参数优化；利用严格耦合波分析(RCWA)快速评估衍射效率；通过时域有限差分法(FDTD)进行全波电磁仿真验证光学性能；结合实际工艺约束（最小线宽72纳米，最小间隙55纳米）确保设计的可制造性。

优化结果展示突破性性能

通过Q-learning算法的迭代优化，研究人员首先在理想条件下（最小特征尺寸10纳米）设计出了一种超光栅结构。每个单元周期内包含一对不对称的AlN纳米线，这种精心设计的几何不对称性是实现高效定向散射的关键。模拟结果显示，在266纳米波长下，该超光栅能够将入射光以80°的角度偏转，效率高达75%，远超过传统基于纳米柱的超表面设计。

结构不对称性决定光学性能

通过参数扫描分析，研究团队深入探究了纳米线尺寸变化对偏转效率的影响。当右侧纳米线宽度发生改变时，偏转效率保持相对稳定，但当两侧纳米线变得完全对称时，一级衍射模式消失，仅剩零级散射。这一现象证实了结构不对称性对于实现高效光束偏转的重要性，也解释了Q-learning算法为何能够成功找到最优设计——它本质上是在寻找能够产生最佳不对称散射的几何配置。

有限尺寸下的实用性验证

考虑到实际器件总是有限尺寸的，研究人员还系统研究了超光栅性能与单元数量的关系。令人鼓舞的是，当单元数量达到约50个时，偏转角度已接近80°的目标值；当单元数增至80个时，效率也接近无限周期结构的理论值。这意味着仅需43.2微米宽度的器件就能实现近乎最优的性能，为微型化DUV光子器件的开发铺平了道路。

面向实际制造的约束设计

在更实际的场景下，研究团队引入了与现有工艺兼容的设计约束（最小线宽72纳米，最小间隙55纳米）。虽然这些限制使得一级衍射设计变得困难，但通过转向二级衍射目标，Q-learning成功找到了满足制造要求的设计方案。该设计在79°偏转角下仍能达到50%的效率，证明了该方法在现实条件下的适用性。

这项研究的成功不仅在于实现了高性能DUV超光栅，更在于建立了一种可扩展的AI辅助设计范式。通过将强化学习与物理仿真相结合，研究人员大幅降低了传统逆向设计的计算成本，同时确保结果符合制造约束。这种方法的灵活性使其能够轻松适配不同材料平台和功能需求，为下一代紫外光子器件的发展提供了强大工具。从光束分离器到紧凑型光谱仪，从先进光刻系统到微型生物传感器，这种AI驱动的设计方法有望在多个领域产生深远影响，推动DUV光子技术向更高效、更紧凑、更智能的方向发展。