切换到宽版
  • 广告投放
  • 稿件投递
  • 繁體中文
    • 675阅读
    • 0回复

    [技术]VirtualLab Fusion应用:非近轴衍射分束器的设计与严格分析 [复制链接]

    上一主题 下一主题
    离线infotek
     
    发帖
    6634
    光币
    27319
    光券
    0
    只看楼主 倒序阅读 楼主  发表于: 2024-12-04
    摘要
    D+@-XU<Lp<  
    直接设计非近轴衍射分束器仍然是一个挑战。由于衍射角相当大,元件的特征尺寸与工作波长在相同的数量级上。因此,设计过程超出了近轴建模方法。因此,在这个例子中,迭代傅里叶变换算法(IFTA)和薄元素近似(TEA)用于衍射元素的初始设计结构,和傅里叶模态方法(FMM)随后应用于严格的性能评估。 [D*J[?yt  
    |A ;o0pL  
    设计任务 Zu\p;!e  
    nc3sty1`  
    ]]el|  
    使用近轴近似的衍射1:7×7分束器的初步设计,通过严格分析,进一步优化零阶均匀性和影响
    pwJ'3NbS  
    mgi,b2  
    光栅级次分析模块设置 iBG`43;  
    L8K0^~Mk  
    使用常规的分束器会话2编辑器,VirtualLabFusion提供了一个指导工具,允许用户一步一步地指定所有影响分束器设计的参数
    <lC]>L  
    "KMLk  
    1. 通过应用设计带中的结构设计,所得到的传输函数可以转换为结构轮廓。 6eOrs-ty  
    2. 对于此转换,使用了薄元近似(TEA)。因此,所得到的结构与初始相位函数成正比。 IZv~[vi_  
    3. VirtualLab Fusion提供计算出的形式已经预设在光路中。 Hze-Ob8  
    4. 要在不同的模拟场景中使用这种结构,需要从组件内部获取实际的采样表面或指定的堆栈。
    lp,\]]  
    衍射分束器表面 Cw 1 9y  
    为了进一步评估,使用了通用光栅光学设置,其中加载之前保存的堆栈。光栅光学装置提供了独特的工具、组件和分析仪,以进一步研究给定周期结构的特性和性能。 o .l;: Un  
    ,/i_QgP  
    衍射光束求解器-薄元素近似(TEA) FhWmO  
    R;H?gE^m-  
     一般光栅组件提供了薄元近似(TEA)和傅里叶模态方法(FMM)作为解决模型给定的光栅。 r8IX/ ,  
     薄元近似通常产生更快的结果,当结构小于波长的5倍,可能有精度问题,。 M,crz  
     傅里叶模态方法允许一个严格的模拟,但需要更高的数值计算。
    q^Z~IZ8IT  
    %oAL  
    光栅级次和可编程光栅分析仪 'dkXYtKCB  
    q\a[S*  
    "kX`FaAhY  
    设计与评估结果 HV ;;  
    相位功能设计 92!JKZe  
    结构设计 Q(lku"U'  
    TEA评价 >4,{6<|  
    FMM评估  OQ6sv/  
    tC2N >C[N  
    通用设置 =g@R%NDNV  
    提供多次运行文档,允许用户执行任意数量的设计,并提供根据特定标准筛选结果的选项。 =K&#.r  
    通过这种方法获得了以下三个结果:我们将对其进行进一步评估。 1 ojhh7<  
    5d+<EF+N  
    纯相位传输设计 mKV'jm0  
    #e*X0;m  
    j8pFgnQ  
    结构设计 fCB:733H  
    CoJ55TAW  
    xS"$g9o0  
    更深的分析 p"KU7-BfvC  
    •高度剖面的缩放对零阶有很大影响。 nB=0T`vQ  
    •可以利用这一点来纠正零阶不期望的效率,从而改善均匀性。 kGm:VYf%  
    •参数运行是执行此类调查的最佳工具。 #Rc5c+/(  
    qh-[L  
    使用TEA进行性能评估 VMx%1^/(  
    3w Z(+<4i  
    Kh)F yV  
    使用FMM进行性能评估 vVAb'`ysv  
    8zZSp  
    z!:'V]  
    进一步优化–设计#1的零阶阶次优化 job[bhK'Jt  
    m=QCG)s  
    =N_,l'U\^  
    进一步优化–设计#2的零阶阶次优化 aM$\#Cx  
    J^fm~P>.  
    uArR\k(  
    进一步优化–设计#3的零阶阶次优化
     
    分享到