Grant: Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives

Simulating optical components at micro and nanoscale using general purpose 3D optical solvers is often computationally expensive. The computational burden can be reduced significantly if structures in question can be modelled well in 2D. For most nanophotonic structures, however, current approaches to 2D modelling are inaccurate at best and, at worst, completely fail to give even qualitative design guidance. Previous work has demonstrated that machine learning models can create a reliable link between 2D and 3D representations of select grating coupler configurations that include metamaterials. This project expands on that work by offering to build a single joint surrogate model representing multiple grating coupler configurations simultaneously and leverage active learning tools to perform efficient data collection to train such a complex model. The use of the resulting model will be demonstrated in the inverse design of highperformance couplers with improved fabrication robustness and novel dispersion properties

La simulation de composants optiques à l’échelle micrométrique et nanométrique à l’aide de solveurs optiques 3D courants est souvent coûteuse sur le plan du calcul. Le fardeau en calcul peut être considérable si les structures en question peuvent être modélisées correctement en 2D. Pour la plupart des structures nanophotoniques, cependant, les approches actuelles de la modélisation en 2D sont, dans le meilleur des cas imprécises, et, dans le pire des cas, incapables d’obtenir des conseils qualitatifs à l’égard de la conception. Des travaux antérieurs montrent que les modèles d’apprentissage automatique peuvent créer un lien fiable entre les représentations 2D et 3D de certaines configurations de coupleurs à réseau qui incluent des métamatériaux. Ce projet fait fond sur ces travaux en proposant de construire un modèle de substitution unique et commun représentant simultanément plusieurs configurations de coupleurs à réseau et d’utiliser des outils d’apprentissage actif pour effectuer une collecte de données efficace afin d’entraîner un modèle aussi complexe. L’utilisation du modèle résultant sera démontrée dans la conception inverse de coupleurs de haute performance avec une robustesse de fabrication améliorée et de nouvelles propriétés de dispersion.

In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators. In the long term, find collaborative solutions to public policy challenges and create stronger innovation systems.

À court terme, les résultats prévus seront des collaborations renforcées entre l'industrie, le milieu universitaire et le gouvernement pour soutenir l'excellence en recherche. À moyen terme, les résultats attendus seront le développement de nouvelles technologies potentiellement perturbatrices avec des collaborateurs. À long terme, trouver des solutions collaboratives aux défis des politiques publiques et créer des systèmes d'innovation plus solides.

Collaborate on multiparty research and development programs to catalyze transformative, high-risk, high-reward research with the potential for game-changing scientific discoveries and technological breakthroughs in priority areas.

Collaborer à des programmes multipartites de recherche-développement dans le but de profiter de la synergie entre la recherche transformatrice à haut risque et à haut rendement et le potentiel de découvertes scientifiques et de percées technologiques révolutionnaires dans des secteurs d’intervention prioritaires.