Reinforcement Learning für die automatisierte Auslegung drei- bis fünflinsiger Sys­ teme unter Berücksichtigung Seidelscher Aberrationen

Trotz des Einsatzes hochentwickelter Raytracing-Software sowie globaler und lokaler Optimierungsalgorithmen, ist das Design optischer Systeme auch heute noch zeitaufwändig und erfordert viele manuelle und iterative Schritte. Um dieses Problem anzugehen, soll bestärkendes Lernen (engl. Reinforcement Learning) verwendet werden. Dabei kann ein sogenannter „Agent“ Zusammenhänge selbstständig und ohne Trainingsdaten erlernen. Dem Agenten stehen dafür Aktionen zur Manipulation des Systems sowie die Seidel’schen Aberrationen zur Beobachtung der Abbildungsqualität zur Verfügung. Nach einer zeitintensiven Anlernphase ist der Agent in der Lage, binnen weniger Sekunden optische Systeme innerhalb des erlernten Anwendungsbereichs auszulegen. In diesem Beitrag wird der Einfluss verschiedener Parameter, wie die Aktionen des Agenten, das Lernverfahren oder das neuronale Netz, auf den Agenten präsentiert. Es werden Systeme mit unterschiedlicher numerischer Apertur (NA) und Abständen zur Bildebene (BFL) untersucht und resultierende Endsysteme mit drei bis fünf Linsen, im Vergleich zur Optimierung mit dem kommerziellen Programm Ansys Zemax OpticStudio, vorgestellt. 58 nmethoden mas Nobis