Scientific Machine Learning zur Vorhersage von Freiform-Mikrolinsen

Bei der additiven Fertigung von Freiform-Mikrolinsen durch elektrische Deformation flüssiger UV-Polymere ist eine zuverlässige Vorhersage der resultierenden Linsengeometrie entscheidend. Die entstehende Form der Linse wird durch mehrere Prozessparameter beeinflusst, darunter die angelegte Spannung sowie die Position und Geometrie der Elektroden. Rein datengetriebene Ansätze wie Deep Learning bieten großes Potenzial zur Modellierung dieser komplexen Zusammenhänge, jedoch ist die physikalische Plausibilität der Vorhersagen nicht in jedem Fall gewährleistet (z.B. Verletzung der geometrischen Randbedingungen). In diesem Beitrag wird ein Scientific Machine Learning (SciML) Framework vorgestellt, das domänenspezifisches Wissen direkt in den Lernprozess integriert. Ein zentraler Aspekt der Arbeit liegt auf dem Vergleich verschiedener Netzwerkarchitekturen, darunter Multi-Layer-Perzeptron (MLP) und 1D U-Net Strukturen, wobei die Verlustfunktion um Nebenbedingungen erweitert wird, sodass die Modelle zu physikalisch konsistenteren Lösungen angeleitet werden. Der Beitrag gibt einen Einblick darüber, wie sich datengetriebene Modelle und physikalisches Hintergrundwissen in der Photonik wirksam kombinieren lassen.