Kristallisation der transdimensionalen Elektronenflüssigkeit

Die Entdeckung unkonventioneller optischer Designs durch maschinelles Lernen verspricht Fortschritte in der integrierten Schaltungstechnik, Bildgebung, Sensorik, Energie und Quantentechnologie. In diesem Vortrag diskutieren wir photonische Designansätze und aufkommende Materialplattformen zur Demonstration der mit maschinellem Lernen unterstützten Topologieoptimierung für optische Metasurface-Designs mit Anwendungen in der Thermophotovoltaik, reflektierender Optik, quanten photonischen Schaltungen und Lichtsegeltechnologie. Wir demonstrieren die Effektivität von Autoencodern zur Kompression des weiten Designraums von Metasurfaces in einen kleineren Suchraum. Durch den Einsatz globaler Optimierungsmethoden mittels adjungierter Methoden oder Quantenannealing können die optimalen Metasurface-Designs innerhalb des kleineren Raums, der durch den Autoencoder erstellt wurde, gefunden werden. Die in dieser Arbeit verwendeten Techniken reichen weit über den Optimierungsbereich von Metasurfaces hinaus und betreffen viele inverse Designprobleme in Ingenieurwesen und Physik. Wir wenden auch Ansätze des maschinellen Lernens an, um quantenmessungen und Bildgebung voranzubringen.