Machine learning and light modeling in soft matter photonics

Zaplotnik, Jaka (avtor), Ravnik, Miha (mentor)

This thesis presents numerical modelling of light in soft-matter photonic structures, specifically in cholesteric and nematic liquid crystals, together with the application of machine learning to material characterisation and photonic design. The numerical work combines finite-difference time-domain (FDTD) and frequency-domain (FDFD) optical simulations, in some cases extended to include light-matter interactions, and neural network-based supervised learning. In the first research direction, we demonstrate that supervised machine learning with neural networks, trained on numerically generated data, can be used to determine the elastic constants of a real nematic liquid crystal from specific experimental measurements. We further extend this approach, so far without experimental validation, to reconstruct the nematic director field from polarised microscopy images and to optimise liquid crystal director configurations that reshape a Gaussian beam of light into a desired intensity profile. In the second research direction, we characterise photonic eigenmodes in three types of cholesteric liquid crystal (CLC) resonators -- simple planar CLC cells, planar CLC cells with an embedded isotropic layer, and cylindrical CLC resonators -- and show how their eigenfrequencies and quality factors depend on material and geometric parameters. In simple planar CLC cells, we also apply lasing theory to compare lasing thresholds in different configurations. We further introduce optically stable CLC resonators with patterned surfaces and curved cholesteric layers, enabling well-defined transverse modes, as well as resonators with surface topological defects that directly generate vortex beams. We also model whispering-gallery mode spectra in a liquid crystal droplet upon cooling across the isotropic--nematic phase transition temperature, during which a nematic domain grows inward from the surface, shifting the resonance wavelengths. In the third direction, we simulate pulsed liquid crystal microlasers coupled to polymer waveguides, in a cholesteric microcavity and in a nematic droplet, and show that combining a pump pulse with a delayed red-shifted pulse that depletes the excited dye via stimulated emission depletion (STED) allows the lasing intensity to be controlled on a nanosecond timescale, demonstrating an efficient mechanism for all-optical switching in soft matter. Together, the results of this thesis demonstrate that machine learning is a practical tool for characterising liquid crystal materials and optimising their photonic response. Furthermore, this work advances the understanding of light confinement and lasing in CLC structures and numerically confirms that resonant stimulated-emission depletion is a promising all-optical switching mechanism in soft matter. Collectively, these contributions support the development of novel soft matter photonic applications.

• Jezik: Angleški jezik
• Ključne besede: light modelling, numerical simulation, neural network, soft matter, liquid crystals, photonics, optics, laser
• Vrsta gradiva: Doktorsko delo/naloga
• Tipologija: 2.08 - Doktorska disertacija
• Organizacija: FMF - Fakulteta za matematiko in fiziko
• Leto izida: 2026
• PID: 20.500.12556/RUL-183384
• COBISS.SI-ID: 281209603
• Datum objave v RUL: 12.06.2026

Sekundarni jezik

• Jezik: Slovenski jezik
• Naslov: Strojno učenje in modeliranje svetlobe v fotoniki mehke snovi

Izvleček

To doktorsko delo predstavlja numerično modeliranje svetlobe v fotonskih strukturah mehke snovi, kot so holesterični in nematski tekoči kristali, ter uporabo strojnega učenja za karakterizacijo materialov in načrtovanje fotonskih struktur. Numerično delo temelji na simulacijah s končnimi diferencami v časovni (FDTD) in frekvenčni domeni (FDFD), v nekaterih primerih razširjenih za modeliranje interakcije svetlobe s snovjo, ter na nadzorovanem učenju nevronskih mrež. V prvi smeri raziskav pokažemo, da lahko z nadzorovanim strojnim učenjem z nevronskimi mrežami, naučenimi na numerično generiranih podatkih, iz posebnih eksperimentalnih meritev določimo elastične konstante pravega nematskega tekočega kristala. Ta pristop razširimo še na numerične študije rekonstrukcije direktorskega polja iz polarizacijskih mikroskopskih slik ter na optimizacijo direktorskih konfiguracij tekočega kristala, ki Gaussov snop svetlobe preoblikujejo v želeni intenzitetni profil. V drugi smeri proučimo fotonske lastne načine v treh geometrijah holesteričnih tekočekristalnih resonatorjev -- v preprostih planarnih celicah, v planarnih celicah z vgrajeno izotropno plastjo ter v cilindričnih resonatorjih -- in pokažemo, kako so njihove lastne frekvence in faktorji kakovosti odvisni od snovnih in geometrijskih parametrov. V preprostih planarnih celicah iz holesteričnih tekočih kristalov uporabimo tudi lasersko teorijo za primerjavo laserskih pragov v različnih konfiguracijah. Vpeljemo še optično stabilne resonatorje iz holesteričnih tekočih kristalov s posebej zasnovanim površinskim sidranjem, ki ukrivi holesterične plasti, kar zagotavlja stabilnost resonatorja z dobro definiranimi lastnimi načini v prečni smeri, in resonatorje z defekti na površinah, ki neposredno generirajo vrtinčne snope. Modeliramo tudi spektre t.i. ``whispering-gallery'' načinov (WGM) v kapljici tekočega kristala med ohlajanjem preko temperature faznega prehoda med izotropno in nematsko fazo, kjer nematska domena od površine raste navznoter in povzroča premik spektra resonanc. Tretja tema raziskav vključuje numerične simulacije sunkovnih tekočekristalnih mikrolaserjev, sklopljenih s polimernimi valovodi v holesteričnih planarnih mikrostrukturah in v nematski kapljici. Pokažemo, da s kombinacijami črpalnega sunka svetlobe in zakasnjenega sunka z daljšo valovno dolžino, ki z resonančno stimulirano emisijo izčrpa vzbujeno barvilo (STED), lahko nadzorujemo intenziteto izsevane svetlobe iz mikrolaserja v nekaj nanosekundah, s čimer demonstriramo učinkovit mehanizem optičnega stikala iz mehke snovi. Skupaj ti rezultati dokazujejo, da je strojno učenje praktično orodje za karakterizacijo tekočekristalnih materialov in optimizacijo njihovega optičnega odziva, prispevajo k boljšemu razumevanju svetlobnih resonančnih pojavov in laserskega delovanja v strukturah iz tekočih kristalov ter prek numeričnih simulacij pokažejo, da je resonančno stimulirano emisijsko izčrpavanje barvila obetaven proces za uporabo v optičnih stikalih iz mehke snovi. V celoti ti rezultati prispevajo k razvoju novih fotonskih aplikacij v mehki snovi.

• Ključne besede: modeliranje svetlobe, numerična simulacija, nevronska mreža, mehka snov, tekoči kristali, fotonika, optika, laser