Inhaltspezifische Aktionen

Künstliche Intelligenz in der Photonik

AG Rahimi-Iman: Mit künstlicher Intelligenz photonische Bauelemente und Metaoberflächen verbessern

Maschinelles Lernen für Optiken und Bauteile.

 (in Bearbeitung, weiterer Hinweis: Vorübergehende technische Störungen des Content Management System der Webseite scheint behoben.)

Immer mehr Bereiche des Alltags, der Industrie und auch der Wissenschaft profitieren von den Methoden maschinellen Lernens und der computergestützten Datenverarbeitung. Quasi als Megatrend des 21. Jahrhunderts wahrgenommen erfährt der Themenbereich zu „Künstlicher Intelligenz“ (engl.: „artificial intelligence“) – kurz „KI“ (bzw. „ai“) – eine unvergleichliche Aufmerksamkeit in den verschiedensten Disziplinen, auch in der Forschung. Oft wird maschinelles Lernen als Problemlösungsmethode angesehen, welche inspiriert ist durch die künstliche Nachahmung von (humaner) Intelligenz. Das Thema ist eng verknüpft mit der automatisierten Verarbeitung sowohl großer (strukturierter oder unstrukturierter) als auch komplexer Datenmengen – Stichwort „Big Data“ bzw. „Complex Data“.

Revolutioniert KI die Nanophotonik? Zu erwarten:

Künstliche Intelligenz, also KI, verspricht durch neue Verfahren eine Revolution hinsichtlich der Entwicklung und Charakterisierung optischer Bauteile und Laser, oder sie unterstützt die Entdeckung und Optimierung neuartiger Materialien und Werkstoffe. Andererseits sind eine Vielzahl von Klassifizierungsaufgaben mit trainierten neuronalen Netzen in manchen Anwendungen kaum mehr wegzudenken – einige davon naheliegend im Bereich der Informationstechnologien.

Auch maßgeschneiderte Designs von funktionalen (Nano-)Optiken für Anwendungen wie in der Medizin, Raumfahrt oder Quantensensorik können effektiv und zielgerichtet basierend auf maschinellem Lernen herbeigeführt werden. Optimierte 3D-druckbare oder lithografisch herstellbare Photonikkomponenten wie in miniaturisierten Kamerasystemen der Mobiltelefone oder in optoelektronisch integrierten Schaltkreisen zukünftiger Informationstechnologien können bislang unerreichte Kosteneffizienz und Wirksamkeitsmaximierung mittels KI erhoffen.

Komplexe, unintuitive, intelligente Photonik:

Neuartige Optiken wie photonische Kristalle bzw. Resonatoren, Metamaterialien (3D) und Metaoberflächen (quasi-2D) bieten unvorstellbare Möglichkeiten im Einschluss, in der Führung und der Manipulation von Lichtpaketen oder propagierenden Feldern. So kommt einerseits der Gedanke der Lichtbiegung um Objekte herum aus der Forschung zu künstlichen optischen Materialien mit negativem Brechungsindex – in der Regel als Metamaterialien bekannt. Andererseits genießen exotische Bauteile wie sozusagen Lichteinbahnstraßen die Vorzüge geschützter (Rand-)Zustände dank topologischer Kristalle und Phasen von Materie – sowohl natürlicher als auch künstlicher Art.

„Flache Optiken“ mit maßgeschneiderten Eigenschaften versprechen Bündelung und Projektion von Licht bzw. Abbildungen mit minimalen Bauteilvolumina und hohen Auflösungen. In der Regel geschieht dies durch die geschickte Manipulation der Phasenbeziehung einzelner Wellenfronten des einfallenden Lichtbündels bzw. kontrollierte konstruktive/destruktive Interferenzen. Ähnlich steht es um bekanntere Konzepte wie photonische Kristallstrukturen und Mikrokavitäten, die zur Lichtfeldkonzentration (zur Wechselwirkung von Photonen mit polarisierbarer lokaler Materie), Photonenspeicherung (Zwischenlagerung optischer Quantenbits) und Wellenführung (Leitung optischer Informationspakete) erdacht und umgesetzt worden sind.

Durch diverse (nano)photonische 2D/3D Ansätze können unter anderem sowohl breitbandige Optiken (z.B. Weißlichtphotonik), ultraflache Optiken (z.B. kompakte smarte Linsen) als auch strahlformende Optiken (z.B. Daten-Photonik, vgl. Vortexstrahlerzeugung, Lichtstrahlen mit orbitalem Drehmoment, räumlich-zeitliches Multiplexing) erzielt werden. Für solche Zwecke kommen spezielle (ggf. periodische) geometrische und zum Teil auch zunehmend unintuitive Muster zum Einsatz, die wie in Hologrammen eine resonante Wirkweise besitzen können. Verschiedene optische Eigenschaften und Effekte werden in der Fachliteratur für bzw. mit Metamaterialien und –Oberflächen erforscht und ihre Realisierung mit geeigneten Strukturierungsansätzen verfolgt.

Computergestützte Designalgorithmen sind der Schlüssel zur Weiterentwicklung und erfolgreichen Anwendung dieser Konzepte. Diverse Methoden wurden in den vergangenen Jahren entwickelt, wie das aus der Literatur bekannte „Inverse Design“, die „Gradientenoptimierung“, „evolutionäre“ und „gradientenfreie“ Optimierung als auch Optimierung per „neuronales Netz“ – von flache bis tiefe Netze (engl. deep neural networks). Letzteres Konzept kann auf bestärktem oder beaufsichtigtem Lernen beruhen. Zusammengefasst sind diese Methoden unter dem Begriff des „maschinellen Lernens“, einem Teilbereich aus dem Feld der „künstlichen Intelligenz“.

Das Gelernte einsetzen und weiterentwickeln:

Auf dem Weg zur Erforschung bahnbrechender Methoden des maschinellen Lernens im Optikdesign, insbesondere in Hinblick auf sogenannte flache Optiken und Metaoberflächen, wollen wir untersuchen, wie 3D-nanodruckbare Oberflächen mit optischer Funktionalität beziehungsweise speziellen Eigenschaften mittels geeigneter, lernender und bildgebender neuronaler Netze optimiert beziehungsweise sogar vorgeschlagen werden können. Was mit einfachen perzeptronartigen neuronalen Netzen und evolutionären Algorithmen zur Designoptimierung photonischer Oberflächennanostrukturen gelang, kann weiterentwickelt werden für komplexere Nanophotonik.

Designs synthetischer Bauelemente wie Metaoberflächen anhand von Anforderungsprofilen maschinell generieren zu können, wird zukünftig eine Schlüsseldisziplin in der Photonik sein, da die oft unintuitiven Designs solcher Optiken von Menschenhand kaum mehr effektiv erzielbar werden. Ebenso ist das „rapid prototyping“ (schnelle Testen) und die Massenproduktion durch geeignete Strukturierungsverfahren wie dem 3D-Druck (Bottom-Up) beziehungsweise die Maskenlithographie (Top-Down) mit passender Auflösung essentiell. Wir kombinieren beide Aspekte, lernende/generative KI-Modelle und serielle 3D-Photonendruck beziehungsweise die Maskenlithographie, um KI-Methoden anwendungsorientiert zu erforschen sowie die Umsetzbarkeit der entwickelten Methodik an realen greifbaren Beispielen zu demonstrieren.

Meine Arbeitsgruppe möchte mit einem eigenen Projektbereich zur KI-unterstützten Quantennanophotonik die messbare, konzentrierte Ergebnisfindung und Ansatzbewertung mit Blick auf reale Anwendungen mit regionalen und überregionalen Partnern zielführend ermöglichen. Attraktiv und wichtig ist dies in einem global kritischen und doch recht infantilen Stadium im Feld der KI-Forschung für photonische Anwendungen.

Die Untersuchung und Etablierung neuartiger KI-gestützter Designoptimierung mit smartem (bestärktem) Lernen geeigneter, tiefer, neuronaler Netze in der Nanooptik möchten wir beispielsweise für funktionale Metaoberflächen und mikroskalige Photonik erreichen – Methodik, die zudem auch für Freiformoptiken oder computergenerierte Hologramme nützlich sein kann.

KI in der Laserphysik:

Des Weiteren möchten wir als lasererprobte Arbeitsgruppe algorithmische Werkzeuge für die Charakterisierung, Klassifizierung und Einstellung von Laserbetriebsregimen erforschen, bevorzugt auf Grundlage der von uns erforschten VECSEL. Vielversprechend sind dabei für die verstärkte Verwertung dieser Halbleiterscheibenlaser die Klasse selbstmodengekoppelter VECSEL, für die eine Nutzung geeigneter Laserchips sowohl mit optimierten Gewinnbandbreiten als auch verbesserten optischen Dispersionseigenschaften besonders vorteilhaft ist.

Bauteile mit passenden „Kerrlinsen“-Eigenschaften sowie Kavitätskonfigurationen können systematisch auf ihr Ausgangssignal bei verschiedenen Betriebsmodi untersucht werden. Die Emissionscharakteristika können dann mithilfe zuvor erkannter physikalischer Betriebskriterien, einer vernetzten Laserdiagnostik und passender KI-Methoden analysiert, erlernt und später kostengünstig klassifiziert werden.

Zusätzlich zum technologischen Mehrwert werden über unsere Arbeitsgruppenforschung und -Projektarbeit hinaus zukünftige Entwicklungskapazitäten durch trainierte Nachwuchskräfte gestützt.

Gießen, Juli 2022, Arash Rahimi-Iman

 

Abbildungen:

(in Bearbeitung)

qnp-group: nanophotonics research and development

Ausgewählte Referenzen:

(in Bearbeitung)

  1. O. Mey & A. Rahimi-Iman (2021): Machine Learning-Based Optimization of Chiral Photonic Nanostructures: Evolution- and Neural Network-Based Design, Phys. Status Solidi RRL 202100571, arXiv:2111.06272v1
    (https://doi.org/10.1002/pssr.202100571 OpenAccess).
  2. A. Rahimi-Iman (2021): Self-Mode-Locked Semiconductor Disk Lasers, Kapitel 12 in Vertical External Cavity Surface Emitting Lasers: VECSEL Technology and Applications, Wiley-VCH, ISBN 978-3-527-41362-1 (https://www.wiley.com/en-be/9783527413621).
  3. A. Rahimi-Iman (2021): Semiconductor Photonics of Nanomaterials and Quantum Structures: Applications in Optoelectronics and Quantum Technologies, Series in Solid-State Sciences 196, Springer Nature, Cham (https://doi.org/10.1007/978-3-030-69352-7), Chapter 5 (https://doi.org/10.1007/978-3-030-69352-7_5).
Urheberrechte
Arash Rahimi-Iman