《Chinese Journal of Electronics》：Deep Learning Regulation of the Fano Effect in Microring Resonators
编辑推荐：
本研究针对微环谐振器传感性能优化难题，通过构建微腔耦合波导上的空腔阵列，采用深度神经网络调控法诺线性度。研究人员开发了前向预测模型模拟孔阵列对微腔透射谱的影响，结合卷积神经网络和逆向设计技术，成功实现了微环谐振器透射谱的定向控制。该工作为集成光子应用中微环谐振器的设计与优化提供了创新框架，显著提升了光子器件的设计效率与性能。
在集成光子学快速发展的今天，微环谐振器作为核心光学元件，因其高品质因子（Q值）和低模式体积的特性，在光通信、量子计算和传感领域展现出巨大潜力。然而，传统微环谐振器的洛伦兹型传输谱线存在斜率平缓、灵敏度有限的问题，制约了其在高速光开关和精密传感器中的应用。法诺共振（Fano resonance）作为一种量子干涉现象，能够产生不对称的锐利谱线，为突破这一瓶颈提供了新思路。但如何精确调控法诺效应，实现按需定制的光谱响应，一直是研究人员面临的挑战。
发表于《Chinese Journal of Electronics》的研究论文《Deep Learning Regulation of the Fano Effect in Microring Resonators》针对这一难题开展了创新性探索。该研究通过深度学习方法，建立了微环谐振器结构参数与法诺效应之间的智能调控模型，为光子器件的逆向设计开辟了新途径。
研究人员主要采用以下关键技术方法：首先通过有限时域差分法（FDTD）构建包含空气孔阵列的微环-波导耦合系统仿真模型，生成5000组训练样本；其次设计多层感知器（MLP）前向预测网络，建立孔阵列排布与透射谱的映射关系；最后基于卷积神经网络（CNN）构建逆向设计框架，实现从目标光谱到孔阵列构型的智能反演。实验采用硅氮化物微环（半径6μm）和二氧化硅覆盖层结构，通过Adam优化算法进行模型训练。
III. 前向预测模型
研究团队首先建立了孔阵列与透射谱的精确映射关系。通过在距离微环耦合区域5.7μm处对称设置随机排列的空气孔阵列（孔径100nm），利用FDTD仿真获取传输谱数据。
构建的4层MLP网络经过400次迭代训练后，均方误差（MSE）降至1.53436×10
-4，平均绝对误差（MAE）为9.58079×10
-3。如图5所示，训练损失与验证损失曲线均快速收敛，表明模型具备优异的泛化能力。
余弦相似度分析显示，经过300次训练周期后，预测谱与仿真谱的匹配度接近1.0000（图8），误差分布呈现以零为中心的对称特征（图9a），真实值与预测值高度吻合（图9b）。
IV. 逆向设计建模框架
在逆向设计阶段，研究人员建立了传输谱线的定量评价指标。对于洛伦兹共振，采用半高全宽（FWHM）和品质因子进行表征；对于法诺共振，则定义谱线斜率作为关键调控参数。通过卷积神经网络架构，实现了从目标光谱到孔阵列构型的智能反演。
该网络包含约10个卷积层，采用Adam优化器进行训练，通过早期停止策略防止过拟合。
V. 结果与分析
逆向设计实验表明，神经网络能够准确预测实现特定传输谱所需的孔阵列构型。
如图12所示，针对目标法诺谱线（图12b），网络成功预测了左右设计区域的灰度分布（图12a），所得传输谱（图12c）与目标高度一致。在优化过程中，法诺斜率从初始0.08提升至0.14（图13a），传输谱不对称性显著增强（图13b）。进一步分析发现，孔阵列质心的垂直分离对斜率调控具有主导作用（图14）。
该研究通过深度学习与光子器件的深度融合，实现了法诺效应的精确调控。建立的MLP前向预测模型具备高精度预测能力，CNN逆向设计框架则成功解决了从目标性能到结构参数的映射难题。实验证明，通过优化孔阵列空间分布，可有效操控微环谐振器的传输特性，为高性能集成光子器件的智能设计提供了可靠方案。这项工作不仅推动了微环谐振器在光通信和传感领域的应用发展，更为人工智能赋能光子器件设计树立了成功范例。
