Key points are not available for this paper at this time.
A detecção do índice de refração tradicionalmente depende de ressonâncias de alto Q em metasestruturas precisamente fabricadas, tornando o desempenho vulnerável a imperfeições na fabricação, resolução espectral limitada e instabilidade ambiental. Aqui, introduzimos um paradigma fundamentalmente diferente baseado em representações latentes aprendidas computacionalmente em vez de nitidez fotônica engenheirada. Demonstramos experimentalmente um autoencoder variacional de ponta a ponta que recupera diretamente o índice de refração a partir dos espectros de transmissão de uma metasuperfície de silício genérica, sem exigir características de alto Q. O modelo aprende autonomamente um variedade latente compacta que codifica informações espectrais dependentes do índice de refração, permitindo detecções robustas e precisas sob forte ruído, variabilidade na fabricação e condições além da distribuição de treinamento. Esta abordagem híbrida computacional-fotônica remove a dependência tradicional da finesse de ressonância e redefine metasuperfícies para detecção óptica.
Li et al. (Mon,) estudaram essa questão.