Apprendimento Automatico Basato su Reti Neurali e Algoritmi Genetici per l'Ottimizzazione Della Progettazione di Metasuperfici Chirali

Chiral photonic metasurfaces offer unique opportunities for controlling light–matter interactions, enabling advances in polarization-sensitive photonic devices. This thesis presents an optimized computational framework that integrates deep learning with evolutionary strategies to enhance the design of chiral nanophotonic structures. Building on prior work employing reinforced supervised learning with multi-layer perceptrons and stochastic evolutionary search, we introduce a refined pipeline featuring a two-output neural network (NN) architecture, an improved fitness function, and data augmentation based on polarization symmetry. These innovations reduce the trade-off between high circular dichroism (CD) and reflectivity at the targeted frequency range while significantly accelerating the optimization process. Comparative studies between neural network based optimization and genetic algorithms (GA) reveal distinct performance trends across varying material systems (GaP and PMMA), structural thicknesses, and geometric complexities defined by the corner number. The proposed method achieves up to twice the CD compared to earlier approaches and explores a broader design space within fixed computational resources. Electromagnetic simulations confirm tailored spectral responses and emphasize the role of refractive index contrast and optimized structure morphology. In addition we examined how the NeuroEvolution of Augmented Topologies algorithm (NEAT), and one of his modifications, HyperNEAT, can evolve network architectures or the connections based on the given optimization task. The results highlight the advantages of hybrid machine learning–evolutionary pipelines in overcoming limitations of individual optimization strategies, paving the way for efficient feed-forward or inverse design of chiral mirrors and other metasurfaces for polarization-selective light–matter interaction studies.

Le metasuperfici fotoniche chirali offrono opportunità uniche per il controllo delle interazioni luce-materia, consentendo progressi nei dispositivi fotonici sensibili alla polarizzazione. Questa tesi presenta un quadro computazionale ottimizzato che integra il deep learning con strategie evolutive per migliorare la progettazione di strutture nanofotoniche chirali. Basandoci su lavori precedenti che impiegano l'apprendimento supervisionato rinforzato con perceptron multistrato e ricerca evolutiva stocastica, introduciamo una pipeline perfezionata caratterizzata da un'architettura di rete neurale (NN) a due uscite, una funzione di fitness migliorata e un aumento dei dati basato sulla simmetria di polarizzazione. Queste innovazioni riducono il compromesso tra alto dicroismo circolare (CD) e riflettività nella gamma di frequenze target, accelerando significativamente il processo di ottimizzazione. Studi comparativi tra l'ottimizzazione basata su reti neurali e algoritmi genetici (GA) rivelano tendenze prestazionali distinte tra diversi sistemi di materiali (GaP e PMMA), spessori strutturali e complessità geometriche definite dal numero di angoli. Il metodo proposto raggiunge fino al doppio del CD rispetto agli approcci precedenti ed esplora uno spazio di progettazione più ampio all'interno di risorse computazionali fisse. Le simulazioni elettromagnetiche confermano risposte spettrali su misura e sottolineano il ruolo del contrasto dell'indice di rifrazione e della morfologia strutturale ottimizzata. Inoltre, abbiamo esaminato come l' algoritmo NeuroEvolution of Augmented Topologies (NEAT) e una delle sue modifiche, HyperNEAT, possano evolvere le architetture di rete o le connessioni in base al compito di ottimizzazione dato. I risultati evidenziano i vantaggi delle pipeline ibride di apprendimento automatico-evoluzione nel superare i limiti delle singole strategie di ottimizzazione, aprendo la strada a un'efficiente progettazione feed-forward o inversa di specchi chirali e altre metasuperfici per studi di interazione luce-materia selettiva in base alla polarizzazione.