AI 中文总结
该研究针对平面光学中光束整形问题，引入物理信息神经网络（PINN）方法，求解相关方程处理有限距离和远场目标，经模拟验证并与传统方法比较，首次将PINN用于此问题，实现光束按目标强度分布重塑。
AI 中文摘要
我们引入一种物理信息神经网络（PINN）方法来设计平面光学中的相位分布，将入射光束重塑为规定的目标强度分布。该方法求解与仅相位光学元件产生的能量守恒光线映射相关的蒙日 - 安培光束整形方程。我们使用广义斯涅尔定律公式处理有限距离和远场目标。通过标量衍射模拟验证学习到的相位分布，并与传统相位恢复方法如格尔奇贝格 - 萨克斯顿法进行比较。据我们所知，这是PINN首次用于平面光学中的光束整形问题。
英文摘要
We introduce a physics-informed neural network (PINN) approach for designing phase profiles in flat optics that reshape an incident beam into a prescribed target intensity distribution. The method solves Monge--Ampère beam-shaping equations associated with energy-conserving ray mappings generated by a phase-only optical element. We treat both finite-distance and far-field targets using a generalized-Snell-law formulation. The learned phase profiles are validated by scalar diffraction simulations and compared with conventional phase-retrieval methods such as Gerchberg--Saxton. To our knowledge, this is the first time a PINN has been used for beam shaping problems in flat optics.
