[論文レビュー] A Hybrid Strategy for the Discovery and Design of Photonic Nanostructures

Zhaocheng Liu, Lakshmi Raju+2 more|arXiv (Cornell University)|Feb 6, 2019

Photonic Crystals and Applications参考文献 2被引用数 9

ひとこと要約

本論文は、光子ナノ構造の自動逆設計のためのハイブリッドディープラーニングと進化的最適化フレームワークを提示する。変分オートエンコーダーを用いてナノ構造パターンを連続的かつ低次元の潜在空間に符号化し、その空間で修正された進化的戦略を用いて最適化することで、ユーザーが定義したスペクトル応答に一致するメタサーフェスを95%以上の精度で生成することが可能となり、事前の幾何的仮定なしに効率的でオンデマンドの設計が実現される。

ABSTRACT

Designing complex physical systems, including photonic structures, is typically a tedious trial-and-error process that requires extensive simulations with iterative sweeps in multi-dimensional parameter space. To circumvent this conventional approach and substantially expedite the discovery and development of photonic structures, here we develop a framework leveraging both a deep generative model and a modified evolution strategy to automate the inverse design of engineered nanophotonic materials. The capacity of the proposed methodology is tested through the application to a case study, where metasurfaces in either continuous or discrete topologies are generated in response to customer-defined spectra at the input. Through a variational autoencoder, all potential patterns of unit nanostructures are encoded into a continuous latent space. An evolution strategy is applied to vectors in the latent space to identify an optimized vector whose nanostructure pattern fulfills the design objective. The evaluation shows that over 95% accuracy can be achieved for all the unit patterns of the nanostructure tested. Our scheme requires no prior knowledge of the geometry of the nanostructure, and, in principle, allows joint optimization of the dimensional parameters. As such, our work represents an efficient, on-demand, and automated approach for the inverse design of photonic structures with subwavelength features.

研究の動機と目的

• 複雑な光子ナノ構造の設計における従来の試行錯誤手法の非効率性を克服すること。
• 波長未満の特徴を持つ光子材料の自動的・オンデマンドな逆設計を可能にすること。
• ナノ構造形状に関する事前の幾何的仮定を排除すること。
• 多次元設計空間における寸法パラメータの共同最適化を達成すること。
• カスタムスペクトル応答を持つメタサーフェスを設計するためのスケーラブルで一般化可能なフレームワークの開発

提案手法

• 変分オートエンコーダー（VAE）を訓練し、すべての可能なユニットナノ構造パターンを連続的かつ低次元の潜在空間に符号化する。
• 潜在空間表現により、複雑で高次元のナノ構造幾何形状の効率的探索が可能になる。
• 目標スペクトル応答を達成するために、潜在空間内のベクトルを最適化するために進化的戦略が適用される。
• 最適化プロセスは、フル波動シミュレーションから得られるフィットネス評価に基づき、反復的に潜在ベクトルを進化させる。
• フレームワークは連続的および離散的トポロジーの両方のメタサーフェスをサポートする。
• この手法はエンドツーエンドで微分可能であり、ナノ構造幾何形状に関する事前知識を必要としない。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、多様な光子ナノ構造パターンを連続的潜在空間に効果的に符号化できるか？
• RQ2 潜在空間における進化的戦略は、与えられたスペクトルターゲットに一致するナノ構造をどの程度正確に発見できるか？
• RQ3 事前の幾何的制約なしに、複数の寸法パラメータを同時に最適化できるか？
• RQ4 本フレームワークは、連続的と離散的メタサーフェストポロジーの両方に対してどの程度一般化できるか？
• RQ5 従来の反復的シミュレーション手法と比較して、逆設計の計算コストを著しく削減できるか？

主な発見

• テストされたすべてのユニットパターンにおいて、ターゲットスペクトル応答に一致するナノ構造を95%以上の精度で生成する。
• 変分オートエンコーダーは、複雑なナノ構造幾何形状のコンパクトで意味のある潜在表現を効果的に学習した。
• 潜在空間における進化的戦略は、勾配情報が不要な状態で効率的に最適設計に収束した。
• 構造のトポロジーに関する事前仮定なしに、複数の寸法パラメータの共同最適化が可能になった。
• 本手法は連続的および離散的メタサーフェストポロジーの両方で強靭性を示した。
• 高次元パrameter空間における広範な手動シミュレーションスイープの必要性が著しく削減された。