光子拓扑超晶体中的光学双稳态及其在光子神经网络中的应用 李汉丽(Hanli Li) 段博阳(Boyang Duan) 朱天宇(Tianyu Zhu) 单思超(Sichao Shan) 林立谦(Liqian Lin) 李长军(Changjun Li) 李志通(Zhitong Li)

《Nanomaterials》:Optical Bistability in Photonic Topological Hypercrystals and Its Applications in Photonic Neural Network Hanli Li, Boyang Duan, Tianyu Zhu, Sichao Shan, Liqian Lin, Changjun Li and Zhitong Li

【字体: 大 中 小 】 时间:2026年05月04日 来源:Nanomaterials 4.3

编辑推荐:

  摘要 光学双稳态是一种非线性现象,能够实现两种光学状态之间的稳定切换,在光通信和光子神经网络(PNNs)中具有重要的应用。然而,传统的双稳态器件通常受到制造缺陷和散射损耗的影响,这限制了它们的鲁棒性和无色散性能。在这项研究中,我们从由交替的双曲超材料(HM

  摘要 光学双稳态是一种非线性现象,能够实现两种光学状态之间的稳定切换,在光通信和光子神经网络(PNNs)中具有重要的应用。然而,传统的双稳态器件通常受到制造缺陷和散射损耗的影响,这限制了它们的鲁棒性和无色散性能。在这项研究中,我们从由交替的双曲超材料(HMMs)和介电层组成的一维光子拓扑超晶体(PhH)出发,对光学双稳态进行了数值研究。通过设计一个中心反转的对称分层PhH结构,并在反转中心电场强度最大的局部介电区域引入克尔非线性,我们实现了对TM偏振的鲁棒且角度不敏感的光学双稳态,这是通过相位变化补偿机制实现的。当作为PNNs中的非线性激活函数时,这种双稳态PhH在图像识别任务中的表现与传统的数字激活函数(如ReLU和Sigmoid)相当。我们的工作为将拓扑双稳态器件集成到下一代PNNs中铺平了道路。

1. 引言
光学双稳态是一种非线性现象,在相同的输入下,光学系统可以在两个稳定的输出状态之间稳定切换,从而产生光学滞后环。在克尔型双稳态中,这种行为源于强度依赖的介电常数,因此要实现明显的双稳态响应通常需要较大的克尔非线性和强的场增强。因此,它在制造光学开关、存储设备和调制器方面具有巨大的潜力,这些对于光通信和信息处理越来越重要[1,2,3]。最近,其非线性特性也被研究作为开发光子神经网络(PNNs)中的非线性激活函数[3,4,5,6,7]。然而,双稳态操作依赖于一个明确定义且稳定的光学模式:制造公差和表面粗糙度可能会改变共振波长,而散射和耦合扰动可能会扭曲有效的输入-输出条件[8]。因此,开发高度鲁棒且无色散的光学双稳态器件和神经网络始终是一个持续的研究课题。光学人工智能、智能纳米光子学和光子神经网络的最新进展进一步强调了紧凑、可物理实现的光学非线性元件对未来AI硬件的重要性[9,10,11]。

光子超晶体(PhHs)由交替的双曲超材料(HMMs)和介电层组成,为实现角度鲁棒的带隙和腔模式提供了有希望的途径。由于HMM具有双曲色散,随着入射角的变化,HMM层中积累的相位可以抵消介电层中的相位变化。这种相位变化补偿稳定了单元格布洛赫相位,使得带隙和嵌入的腔共振仅弱依赖于入射角。这对于无色散腔模式及其双稳态现象非常有利[6,7,12,13,14]。

在本文中,我们研究了在简单的一维拓扑PhH中实现无色散非线性现象的可行性。我们设计了一种具有无色散特性的PhH材料结构,并赋予其中心反转的对称性。与PhH的镜像对称结构相比,能量带隙中出现了一个共振峰。我们通过改变入射角来研究这个共振峰的无色散特性和能量带隙。当我们将电场分布最强的几层介电材料替换为这种结构中的非线性材料时,我们实现了一个鲁棒的无色散光学双稳态系统。此外,我们模拟了这种双稳态特性作为卷积神经网络中的激活函数,证明了这种双稳态非线性激活函数在图像识别精度上与传统的非线性激活函数(如ReLU和Sigmoid)相当。

2. 材料与方法
如图1所示,所提出的PhH是一个中心反转的对称分层结构。对称中心位于图1a中标记的镜像界面。这种PhH由对称中心两侧交替的HMM薄膜层和各向同性材料组成,如图1所示。HMM介质A在图1b中用黄色表示,其各向异性介电常数张量为(, , ),而介质B用蓝色表示,其各向同性介电常数为。对称中心两侧都显示出周期性层结构,但每个周期内的层排列顺序不同。上面一层是N1(B-A-B)的序列,下面一层是N2(A-B-A)的序列。在这一部分,包括了材料损耗,因此介电常数是复数值。设和代表两个包层的厚度,表示单元格的总长度。我们假设介质A和B是非磁性的,即。T表示对称中心一侧的周期数,周围的介质是空气。图1。(a) 由交替的HMM层和各向同性介电层组成的所提出的PhH的三维示意图。(b) PhH结构的纵向剖面图。非线性响应仅引入到反转中心的中心硅层中,用绿色突出显示。HMM层A用由金属-介电层子结构组成的亚波长单元格进行模拟。背景是空气。我们考虑在x-z平面上以角度θ入射的TM偏振平面波,如图1a所示。磁场矢量朝向y方向。由于平面不变性,平面内的波矢分量在所有层中都是守恒的。在单轴HMM层A中(光轴沿z方向),TM场只激发异常波,因此垂直于平面的分量受到各向异性(双曲)色散关系的控制,而在各向同性层B中,相应的分量遵循通常的各向同性色散。在这些表达式中,真空中的波矢由给出。当和时,层A表现出沿z方向的光轴的双曲色散。相比之下,TE偏振波在当前结构中不会经历相同的双曲相位变化补偿,因此其角度响应稳定性较差。因此,以下分析集中在TM偏振上。

PhHs的第一个带隙由布拉格反射决定,即在一个单元格内积累的总相位在布拉格频率下达到一阶布拉格条件。随着入射角的增加,增加。在各向同性层B中,这减少了,而在双曲层A中,异常波分量随增加。这两种相反的角度趋势使得A中积累的相位可以补偿B中的相位,从而在设计频率附近产生角度不敏感的带隙,这种补偿效应被称为相位变化补偿效应。实际上,我们选择和,以便在设计频率下一阶单元格相位的变化消失,从而得到由, 和决定的厚度比条件。更定量地说,如果在一个单元格中在布拉格频率下的总传播相位表示为,则抑制角度色散需要,这是参考文献[12]中的相位补偿条件(方程5)。在TM偏振下,HMM中的异常波产生,而各向同性介电层产生;因此,当和适当选择时,相反的相位变化在一阶上相互抵消。这种一阶抵消为布拉格频率中观察到的角度位移提供了分析基础,从而实现了图中观察到的几乎角度不敏感的带隙和共振波长。

根据有效介质理论,具有亚波长单元格的一维金属-介电层可以等效地描述为双曲超材料(HMM)。图1显示了具有子结构A的HMM层的放大视图,其中表示亚波长金属-介电多层结构,层C的厚度为,层D的厚度为。这里,表示的周期数。如前所述,介电介质B应具有高折射率。因此,我们选择介电材料B和C为硅(Si),其介电常数为。选择掺锡氧化铟(ITO)作为金属材料,因为它在红外和可见光区域表现出等离子体特性。ITO的等离子体频率可以通过控制掺杂水平来设计。ITO的介电常数使用Drude模型描述。其中是背景介电常数,是等离子体频率,是阻尼频率。在这项工作中,我们设置,和。基于有效介质方法,子结构可以均匀化为各向异性介质,其介电常数由组成,由组成。填充比表示层D在一个C/D周期内的体积分数。填充比表示D层在子结构单元格中的体积百分比。我们假设,因此。光学频率()在200 THz左右变化,对应于大约1500 nm的波长,这远大于单元格的厚度。因此,有效介质方法是有效的。在150到300 THz的频率范围内,我们有和,这对应于HMM。此外,在150到220 THz的范围内,我们将在这个范围内设计。

在获得结构中材料的介电常数后,我们将进一步确定和。根据无色散条件,并考虑到HMM层A由具有厚度的子结构组成,我们选择,这对应于。在这些条件下,相应的频率是,其中。当然,只要子结构的参数预先确定,其他参数也可以选择。

在两个PhH的界面处,由于它们的表面阻抗不匹配,会出现局域化的拓扑态,这与界面两侧PhH的几何相位(Zak相位)密切相关。Zak相位是一个量子化的拓扑常数,可以取0或π的值,由以下方程描述,其中表示阻抗,和表示材料的介电常数和磁导率[15]。当界面两侧的PhHs具有相反符号的表面阻抗时,可以形成拓扑态。在我们设计的1D光子超晶体中,尽管反转对称中心两侧的PhHs具有相同的带结构,但它们具有不同的Zak相位,使得在两个PhH的界面处形成拓扑态[16]。

根据上述参数,我们计算了带结构。图2a,b分别显示了所提出的中心反转对称分层结构和周期为的低入射光强度()的周期性分层结构的透射光谱。这两种结构的带隙相同,范围从1300到1800 nm。但在中心反转对称结构中,1515 nm处出现一个共振峰,半高宽(FWHM)为6.8 nm,表明存在拓扑边缘模式。当周期T增加时,该峰的波长保持不变,而半高宽(FWHM)减小。为了更好地观察下文讨论的双稳态,所有PhH模拟中都使用了周期。如图2c所示,透射峰的电场强度在分层结构的反转中心高度局部化,并在两侧的层中呈指数衰减,显示出典型的拓扑边界态分布[17]。当周期改变时,共振峰的拓扑特性保持不变,电场被限制在两个光学带之间,导致拓扑共振模式的波长不随周期变化,电场强度在该位置达到峰值并呈指数衰减。图2。(a) 中心反转对称结构的透射光谱。(b) 镜像对称分层的透射光谱。(c) 在峰值波长处中心反转对称结构的电场分布。如图3所示,我们通过改变TM偏振下输入光的入射角来获得PhH结构的透射光谱。由于相位变化补偿效应,在TM(横向磁化)条件下,可以观察到在1250纳米到1800纳米之间出现了一个稳定的带隙。在这个带隙内,随着入射角的增加,透射峰仍然保持在大约1510纳米的波长。这是因为在TM条件下,沿着y轴的电场分量E随着入射角的增加而增加。为了测试拓扑光学状态的稳健性,我们对每一层的厚度引入了扰动。具体来说,每一层的厚度随机改变了10%,模拟了制造过程中的扰动。所得到的透射光谱如图3b所示。可以看出,与图2a相比,透射峰仅移动了2纳米,这表明了拓扑特性的高稳健性。如图3c所示,共振峰处的电场也高度局部化在反转中心,并且呈指数衰减到体材料中。为了进一步检验在制造扰动下的角度稳健性,图3d还展示了在TM偏振下具有随机厚度变化的结构随入射角的透射光谱。主要的共振峰在宽广的角度范围内几乎保持不变,约为1510纳米,表明即使在扰动的情况下,角度不敏感的特性也得到了很好的保持。相比之下,TE(纵向磁化)偏振不能保持如此稳定的共振波长,因此不太适合实现这里研究的无色散双稳态响应。图3:(a) TM偏振下PhH的模拟透射光谱作为入射角的函数。(b) 当在每一层的厚度中引入扰动时的透射光谱。(c) (b)中峰值波长处的电场分布。(d) 在TM偏振下具有随机厚度变化的结构随入射角的透射光谱。鉴于Kerr非线性效应在电场局部化最强的区域最强,我们仅在反转中心的中心硅层引入了非线性响应。相对介电常数表示为,其中线性介电常数为,非线性介电常数对应于,Kerr系数为[18,19]。因此,随着入射光强度的增加,A层和B层的折射率增加,导致拓扑状态透射峰发生红移。如图4a所示,当光强度为0.1 W/m时,透射峰位于1512纳米,非线性效应没有影响。当入射光强度增加到0.5 W/m时,非线性效应出现,透射峰移动到1530纳米。继续增加光强度到1.0 W/m时,透射峰移动到1555纳米。图4:(a) 不同入射功率密度下的透射光谱。红色、蓝色和绿色曲线分别代表0.1 W/m、0.5 W/m和1.0 W/m的功率密度。(b) 在1535纳米工作波长下的光子迟滞环。基于双稳态工作波长与共振波长之间的关系(其中为共振波长,为双稳态工作波长),我们在低入射光强度(0.1 W/m)和高入射光强度(5 W/m,该高强度由非线性引起的共振峰红移确定)的范围内扫描了1535纳米的工作波长下的光子迟滞环。在图4b中,红色曲线表示从高光强度到低光强度扫描得到的结果,而蓝色曲线表示从低光强度到高光强度扫描得到的结果。迟滞环位于大约1.1 W/m,环宽约为1.2 W/m。

3. 光子神经网络中的双稳态PhH器件
在新兴的光子神经网络领域,PhH在TM偏振条件下的双稳态功能被用作光神经元的非线性激活函数,与传统的CPU和GPU神经网络相比,在能耗和运行速度方面显示出显著的优势。光非线性激活函数对于处理复杂任务至关重要,而双稳态器件由于其高精度的逐像素调制能力和非线性特性,能够有效处理图像分类任务中的复杂非线性模式。这些器件被设计为能够无缝集成到复杂的光学深度神经网络架构中,同时与现有的波导系统和光子集成电路兼容。此外,PNN(光子神经网络)的发展需要全光非线性激活函数,而双稳态器件可以很容易地作为非线性激活函数,促进光子神经网络的集成并推动其进一步发展。为了探索所提出的双稳态一维PhH器件在全光神经网络中的应用,我们将TM偏振下PhH的双稳态特性作为全光非线性激活函数纳入卷积神经网络模拟中。为了将器件的非线性传输特性纳入神经网络,我们基于输入和输出光信号之间的功率传输曲线构建了一个自定义的激活函数。具体来说,计算出的离散输入/输出光功率数据作为基础,通过三次样条插值获得一个连续且平滑的非线性映射函数。为了清晰起见,图5a明确地将所提出的双稳态光激活函数与ReLU和Sigmoid在同一输入域上进行了比较。由于器件的物理输入变量是光强度,原始器件响应仅针对非负输入定义。因此,在神经网络模型中使用的激活函数表示中,当x < 0时,输出被设置为零,这与ReLU的非活跃区域一致。为了提高训练稳定性,在激活之前应用了一个输入优化步骤,以便有效的神经网络输入与双稳态光响应的校准工作范围对齐。然后将这个函数嵌入到神经网络的隐藏层中,以描述光信号通过器件后的非线性调制过程。在前向传播过程中,每个隐藏层节点的输入对应于器件的输入光强度,而激活的输出对应于输出光强度。在反向传播过程中,通过微分插值函数获得梯度信息,从而实现基于物理响应曲线的可训练非线性激活。如图5所示,我们的模拟使用了MNIST、Fashion-MNIST和CIFAR-10数据集,对各种任务进行了全面研究。详细模型配置在下一节中介绍。模拟结果表明,我们的双稳态非线性激活函数实现了与传统数字非线性激活函数(如ReLU和Sigmoid)相当的性能。经典数字非线性激活函数在MNIST上的准确率为99%,在Fashion-MNIST上为91%,在CIFAR-10上为68%。我们的双稳态非线性激活函数在MNIST上的准确率为99%,在Fashion-MNIST上为91%,在CIFAR-10上为64%。相比之下,没有非线性激活函数的神经网络在MNIST上的识别率仅为92%,在Fashion-MNIST上为81%,在CIFAR-10上为40%。值得注意的是,ReLU和Sigmoid激活函数主要适用于在CPU和GPU平台上实现的传统神经网络,而在光子神经网络中,激活函数必须由光子器件提供。模拟结果表明,我们提出的非线性PhH实现的分类准确性与传统的非线性激活函数(如ReLU和Sigmoid)相当,表明它可以有效地实现神经网络所需的非线性映射能力。这证明了非线性PhH作为光子神经网络激活函数的可行性和巨大潜力。图5:(a) 所提出的双稳态光激活函数与ReLU和Sigmoid的明确比较。对于光激活,x < 0时映射为y = 0,而x ∈ [0, 2]遵循标准化的双稳态器件响应。(b) 具有PhH双稳态状态的光学神经网络示意图。(c–e) 线性函数(黑色)、传统非线性函数ReLU(绿色)和Sigmoid(蓝色)以及我们提出的基于PhH的非线性函数(红色)的预测准确性比较。模拟结果表明,我们的双稳态非线性函数表现出与经典数字非线性激活函数相似的性能,在MNIST数据集上达到了99%的准确率,在Fashion-MNIST数据集上达到了91%,在CIFAR-10数据集上达到了64%。相比之下,线性激活函数的准确率分别为91%、81%和40%。数据集的标识如下:(c) MNIST,(d) Fashion-MNIST,(e) CIFAR。神经网络模型的详细信息如下。在这项工作中,使用PyTorch 2.1.0实现了卷积神经网络分类模型。该模型主要由三个卷积层、一个展平层和两个全连接层组成。三个卷积层的输出通道数分别为32、64和128。所有卷积核的大小为,步长为2,填充量为1。因此,特征图的大小逐渐从减小到,和。得到的特征图随后被展平为一个2048维的向量,然后通过一个具有256个单元的全连接层,最后映射到一个10维的输出类别空间。在训练过程中,使用Adam优化器,学习率为0.0003,批量大小为64,训练周期为30个周期,同时采用交叉熵损失函数。此外,网络中还加入了四个批量归一化(BN)层,其中三个位于三个卷积层之后,一个位于第一个全连接层之后。

4. 结论
在这项工作中,我们提出并分析了一种基于无色散一维PhH的新型双稳态器件,展示了极高的非线性和显著的双稳态特性。由于其小巧的体积和快速的切换速度,这种器件可以应用于各种全光系统,包括神经网络。对器件的性能进行了评估,结果表明其性能优异。我们的工作为开发具有无色散特性和增强稳定性的光双稳态器件提供了一种方法。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号