Bidirectional Adversarial Autoencoders for the design of Plasmonic Metasurfaces

深度学习已成为设计反向设计方法的关键组成部分，这些方法具有计算效率和准确性。其中一个例子是利用光致发光光谱作为输入数据来预测光子超表面的拓扑结构。这些系统的一个基本挑战是能否表示具有不同维度的数据集之间的非线性关系。现有的设计方法通常采用条件生成对抗网络来解决这个问题，但在许多情况下，解决方案无法生成验证时提供多个峰值的结构。研究表明，针对目标光谱，双向对抗自编码器能够在多个场合生成提供多个峰值的结构。因此，所提出的模型代表了朝着生成非线性光子超表面的重要进展，这些超表面可以用于高级超表面设计。

如何使用深度学习设计非线性光子超表面？

使用双向对抗自编码器生成具有多个峰值的光子超表面

论文使用光致发光光谱作为输入数据，提出了使用双向对抗自编码器生成非线性光子超表面的方法，并成功生成了具有多个峰值的结构。该方法在光子超表面设计领域具有重要的进展意义。

当前的设计方法通常采用条件生成对抗网络，但该方法无法生成具有多个峰值的结构。