[論文レビュー] A Freeform Dielectric Metasurface Modeling Approach Based on Deep Neural Networks

Sensong An, Bowen Zheng+13 more|arXiv (Cornell University)|Jan 1, 2020

Metamaterials and Metasurfaces Applications参考文献 29被引用数 14

ひとこと要約

本論文では、任意の2次元パターンを持つ自由形状の誘電体メタサーフェスをモデル化するためのディープラーニングベースのアプローチを提示する。畳み込みニューラルネットワーク（CNN）を用いることで、ミリ秒単位で広帯域スペクトル全域の電磁応答を高速かつ高精度に予測可能となる。従来のシミュレーションベースのメタアトム設計と比較して、計算時間を著しく短縮し、オンデマンドでの迅速な最適化およびメタサーフェスの設計を可能にする。

ABSTRACT

Metasurfaces have shown promising potentials in shaping optical wavefronts while remaining compact compared to bulky geometric optics devices. Design of meta-atoms, the fundamental building blocks of metasurfaces, relies on trial-and-error method to achieve target electromagnetic responses. This process includes the characterization of an enormous amount of different meta-atom designs with different physical and geometric parameters, which normally demands huge computational resources. In this paper, a deep learning-based metasurface/meta-atom modeling approach is introduced to significantly reduce the characterization time while maintaining accuracy. Based on a convolutional neural network (CNN) structure, the proposed deep learning network is able to model meta-atoms with free-form 2D patterns and different lattice sizes, material refractive indexes and thicknesses. Moreover, the presented approach features the capability to predict meta-atoms' wide spectrum responses in the timescale of milliseconds, which makes it attractive for applications such as fast meta-atom/metasurface on-demand designs and optimizations.

研究の動機と目的

• 従来のシミュレーション手法によるメタアトムの特性評価にかかる高コストを克服すること。
• 任意の2次元パターン、格子定数、屈折率、厚さを持つ誘電体メタサーフェスを高速かつ高精度にモデル化すること。
• リアルタイムでメタアトムの広帯域電磁応答を予測できる機械学習フレームワークの開発。
• 実用的光学応用を想定した、迅速なオンデマンド設計および最適化を支援すること。

提案手法

• さまざまな幾何的および材料的パrameterを有するメタアトム応答の多数のシミュレーションデータセット上で、畳み込みニューラルネットワーク（CNN）をトレーニングする。
• ネットワークへの入力は、メタアトムの自由形状パターンの2次元画像表現であり、任意の形状のモデル化を可能にする。
• ネットワークの出力は、広帯域周波数範囲にわたるメタアトムの全電磁応答スペクトル（位相および振幅を含む）を出力する。
• さまざまな材料特性および構造的パrameterに対して、有限要素法（FEM）シミュレーションを真値として用いてモデルをトレーニングする。
• 再トレーニングを必要とせずに、異なる格子定数、屈折率、および厚さに対しても一般化できるようにアーキテクチャを設計する。
• 推論はミリ秒単位で実行され、リアルタイムの設計および最適化ワークフローを可能にする。

実験結果

リサーチクエスチョン

• RQ1 自由形状の誘電体メタアトムに対して、ディープラーニングモデルは任意の2次元パターンを持つメタアトムの全スペクトル電磁応答を高精度に予測できるか？
• RQ2 1つのトレーニング済みCNNが、異なる格子定数、材料の屈折率、および厚さに対してどの程度一般化できるか？
• RQ3 ディープラーニングの推論は、従来のシミュレーションベースのメタアトム特性評価と比較してどの程度高速か？
• RQ4 このモデルは、リアルタイムのオンデマンド設計および最適化を支援できるか？

主な発見

• 提案されたディープラーニングモデルは、ミリ秒単位で自由形状の誘電体メタアトムの全電磁応答を予測し、全波シミュレーションと比較して高い精度を達成している。
• 再トレーニングを必要とせずに、異なる格子定数、屈折率、および厚さに対しても、効果的に一般化している。
• 推論速度は、従来の有限要素法シミュレーションと比較して数個のオーダーも高速であり、リアルタイムの設計応用を可能にしている。
• 広帯域スペクトル範囲にわたり高い予測精度を維持しており、複雑な波フロント整形タスクをサポートしている。