论文主体思路

论文主要贡献

  1. 光栅的±1阶衍射在光谱分析中有广泛的应用。当入射光是非单色时，传统衍射光栅产生的高阶衍射总是叠加在有用的一阶衍射上，使后续的光谱解码变得复杂。
  2. 本文采用基于深度学习算法的卷积神经网络设计了具有正弦透射率的单阶衍射光栅，即六边形衍射光栅（HDGs）。训练后的卷积神经网络可以准确地检索出HDGs的结构参数。仿真和实验结果证实了HDGs能有效抑制三阶以上的高阶衍射。三阶衍射强度由一阶衍射强度的20%降低到小于背景衍射强度。
  3. 为了消除高阶衍射引起的干扰，大大提高光谱分析的精度，衍射光栅只需要有零阶衍射和一阶衍射，需要消除高阶衍射。

光栅示意图

  1. HDGs在x和y方向的周期分别为Px = 20µm和Py = 20µm。
  2. 六边形结构左侧两点沿x方向的水平距离为a，六边形结构中间两点沿x方向的水平距离为2 * b，六边形结构在y方向的高度c等于周期Py。

光栅的透射和衍射

image-20241209104739446

HDGs的不同结构参数模拟

  • 根据式(5)，对不同a和b的HDGs进行数值模拟，如图2所示。远场衍射强度分布与HDGs的结构参数a和b有关，可以通过调整结构参数来改变远场衍射强度分布。换句话说，选择合适的结构参数可以将HDGs的透射率转换为正弦函数，使得远场衍射强度分布只存在零级衍射和一级衍射，迫使HDGs获得单级衍射的特性。

网络结构

  1. 深度卷积神经网络框架由四个卷积层和三个全连接层组成。在这里，黄色矩形正方形和蓝色圆圈分别代表卷积神经元和完全连接神经元。输入为观测平面上的轴向衍射强度，输出为结构a和b的两个参数。

实验步骤

  1. 为了验证上述数值模拟结果，我们对HDGs的性能进行了验证实验。我们采用标准的平面制造技术获得了HDGs和TGs。HDGs的结构参数为λ = 632.8 nm, a = 2.1µm, b = 4.7µm, Px = 20µm, Py = 20µm， HDGs和TGs的面积 = 20 mm × 20 mm。TGs的周期与HDGs的周期相同。
  2. 制作工艺可以简单地概括为以下步骤。首先，利用电子束蒸发技术在石英表面沉积了一层150nm的铬层。然后，在铬层上旋转涂覆300 nm厚的正光刻胶，并在150°C热板上烘烤2分钟。随后，设计的光栅图案通过激光直写光刻系统（DESIGN write LAZER 2000）转移到光刻胶上。接下来，显影后，以光刻胶作为掩膜进行铬的湿法蚀刻。最后，用丙酮去除残留的光刻胶，清洗后得到HDGs。图7(a)和7(b)显示了制备的tg和HDGs的光学显微镜图像。观察到的光栅结构与仿真设计一致，说明标准平面加工工艺对结构形貌具有良好的控制效果。
  3. (a)传统光栅和(b)六边形衍射光栅的显微图像。(c)实验装置示意图。从左到右依次为激光源、光束扩展器、光圈、光栅和CCD。
  4. 图7(c)显示了定制的光学设置，以验证光栅的衍射特性。He-Ne激光器产生波长为λ D 632.8 nm的相干激光束。随着光束的传播，在其传输路径上通过波束扩展器使光束的面积增大。然后，扩展后的光束穿过膜片，照射在所制备的光栅上。最后，利用Lumenera LW230电荷耦合器件（CCD）相机记录光栅的远场衍射强度分布。

光栅的远场衍射图

  1. 由于HDGs和CCD的周期小，以及强度衍射的远场分布对称，我们取了HDGs和TGs的一半衍射图像进行分析。图8(a)和图8(b)为CCD记录的衍射强度分布。对于TGs，在观测平面上有零级衍射、一级衍射和三级衍射。而HDGs只存在零阶衍射和一阶衍射，高阶衍射被有效抑制。HDGs和TGs的轴向强度分布如图8(c)所示。由于CCD的灰度值上限为255，因此零级衍射和一级衍射的强度实际上是过曝光的。可以清楚地看到，三阶衍射光强可以从所需一阶衍射光强的20%降低到背景光强，并且HDGs的背景噪声强度与TGs的背景噪声强度基本相同，说明高阶衍射传递的强度对背景噪声影响很小。实验结果表明，通过设计合理的六边形结构参数，HDGs可以有效地抑制不需要的高阶衍射。
  2. 捕获的(a)传统光栅和(b)六边形衍射光栅的远场衍射图。(c)传统光栅（黑线）与六角形衍射光栅（红线）的轴向水平衍射强度对比。

附录与补遗

锯齿形光栅（Blazed Grating）

通过设计光栅表面的刻线形状（如锯齿形），可以使光栅在某个特定的方向上最大化一阶衍射效率，同时抑制高阶衍射的产生。

  • 锯齿形状的倾角与入射光波长和光栅常数相匹配时，一阶衍射的效率最高。
  • 高阶衍射会由于不符合相位条件而被抑制。
  • 优化刻线形状还能减少光能量的散射和不必要的高阶分布。

光栅常数

调节光栅周期：选择一个适合的光栅周期（光栅常数），让高阶衍射角超出光学系统的接受范围，从而有效避免高阶衍射进入光谱分析仪。

  • 根据衍射公式 mλ=d(sin⁡θ+sin⁡ϕ)，合理设计光栅周期 d。
  • 例如，缩小光栅周期 d会导致高阶衍射光线分布得更宽，从而被系统排除。

论文中可以引用的部分

关于文献

题目及期刊

题目：Hexagonal diffraction gratings generated by convolutional neural network-based deep learning for suppressing high-order diffractions

基于卷积神经网络的深度学习生成的六边形衍射光栅用于抑制高阶衍射

期刊：Journal of the Optical Society of America A

引用

  • Hu, Huakui, et al. “Hexagonal Diffraction Gratings Generated by Convolutional Neural Network-Based Deep Learning for Suppressing High-Order Diffractions.” Journal of the Optical Society of America A 41.10 (2024). Print.

作者信息

作者：Huakui Hu，Jiangtao Ding，Weifeng Wu，Huajie Xu，AND Hailiang Li

发表时间

日期：2024年

阅读时间

日期：2024年12月5日

开源代码及其它

GitHub：无。