量智信息中心_量科网

像3R相二硫化钼（3R-MoS₂）这样的非线性二维材料，在原子级薄层平台上展现出强烈的二阶光学非线性，因此对片上频率转换、量子光生成以及集成非线性纳米光子学具有吸引力。然而，沉积在平面基底上的单层或少层3R-MoS₂的二阶谐波产生（SHG）效率，仍受到微弱的光-物质相互作用、较差的相位匹配以及较小的相互作用体积的根本限制。该团队在此提出NanoPhotoNet-PINL，这是一个基于物理的人工智能驱动的逆向设计框架，其核心是混合一维卷积神经网络和深度神经网络自编码器，专为非线性多层超表面（MLMs）定制。该模型直接将基波和二次谐波波长处的目标双共振反射光谱，映射到最大化与嵌入的3R-MoS₂薄片有效非线性重叠所需的多层几何结构和材料成分。通过将基于麦克斯韦方程的非线性电动力学整合到逆向设计循环中，该团队计算了每个预测MLM设计的二次谐波转换效率和模重叠因子，从而实现了物理引导的训练和评估。该方法在线性光谱流形上的逆向设计预测效率超过了约99.2%，而经优化的双共振MLM，与平面基底上的裸露3R-MoS₂薄片相比，其SHG强度提升了超过三个数量级。NanoPhotoNet-PINL为高效二阶过程的非线性多层超表面和相位匹配双共振腔的智能逆向设计，建立了一个可推广的范式。