[論文レビュー] A novel guided deep learning algorithm to design low-cost SPP films

Yingshi Chen, Jinfeng Zhu|arXiv (Cornell University)|Dec 7, 2019

Plasmonic and Surface Plasmon Research参考文献 19被引用数 4

ひとこと要約

本論文は、低コストのサンプル置換戦略を用いて訓練する深層畳み込みニューラルネットワーク（CNN）により、低コストな表面プラズモン極性波（SPP）膜の設計を可能にする画期的なガイド付き深層学習アルゴリズムを提案する。この手法により、高価な貴金属を一般金属に置き換えるコスト効率の良い材料置換を学習可能となり、高い精度を維持したまま、平均相対スペクトル誤差が10%未満に抑えられる。

ABSTRACT

The design of surface plasmon polaritons (SPP) films is an ill-posed inverse problem. There are many-to-one correspondence between the structures and user needs. We present a novel guided deep learning algorithm to find optimal solutions (with both high accuracy and low cost). To achieve this goal, we use low cost sample replacement algorithm in training process. The deep CNN would gradually learn better model from samples with lower cost. We have successfully applied this algorithm to the design of low-cost SPP films. Our model learned to replace precious metals with ordinary metals to reduce cost. So the the cost of predicted structure is much lower than standard deep CNN. And the average relative error of spectrum is less than 10%. The source codes are available at https://github.com/closest-git/MetaLab.

研究の動機と目的

• ユーザーの要件を満たす複数の構造が存在するため、逆問題が不適切に定式化されるSPP膜設計の問題に対処すること。
• 特に高価な貴金属への依存を最小限に抑えることで、スペクトル性能を損なわずSPP膜のコストを削減すること。
• トレーニング中に低コストな材料構成を優先する深層学習フレームワークの開発。
• コストに配慮したデータサンプリングを用いたガイド付きトレーニングにより、ナノフォトニクス設計における深層学習モデルの一般化能力とコスト効率を向上させること。

提案手法

• アルゴリズムは、構造的パラメータからSPPスペクトル応答へマッピングするための深層畳み込みニューラルネットワーク（CNN）を採用する。
• 高コストのサンプルが最適化の過程で段階的に低コストの代替品に置き換えられる、低コストサンプル置換戦略をトレーニングプロセスに統合する。
• コスト効率を重視したデータセット上で反復的にトレーニングされるため、ネットワークは金や白金よりもアルミニウムや銀といった低コスト材料の選択を学習可能となる。
• スペクトル精度と材料コストの両方をバランスさせる損失関数が用いられ、低コストソリューションに重点を置いたコスト重み付きサンプリングが実施される。
• このフレームワークにより、スペクトル的に正確かつ経済的に実現可能な最適なSPP構造のエンドツーエンド学習が可能となる。
• モデルは、既知のスペクトル応答と材料コストを備えたSPP膜構成のベンチマークデータセットを用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 スペクトル精度を維持したまま、SPP膜設計において低コストな材料選択を優先する深層学習モデルをトレーニング可能か？
• RQ2 低コストサンプル置換戦略は、性能を劣化させることなく、経済的に実現可能なソリューションへのモデルの誘導にどの程度効果的か？
• RQ3 SPP膜において、貴金属を一般金属に置き換えると、スペクトル誤差がどの程度増加するか？
• RQ4 予測されたSPP構造における材料コスト削減とスペクトル精度のトレードオフは、どのように評価できるか？
• RQ5 標準的な深層学習モデルと比較して、ガイド付きトレーニングアプローチはコストとパフォーマンスの面でどの程度優れているか？

主な発見

• 提案されたアルゴリズムは、金などの貴金属をアルミニウムや銀といった一般金属に置き換えることに成功し、材料コストを顕著に削減した。
• 予測されたSPPスペクトルの平均相対誤差は10%未満であり、高いスペクトル精度を示した。
• 通常の深層CNNとは異なり、コストに配慮したトレーニングを組み込まないため、コストを低く抑える傾向にある。
• 低コストサンプル置換戦略は、トレーニング中にコスト効率の良い材料置換を学習するためのネットワークの誘導に効果的であった。
• 訓練済みモデルは、未学習のSPP構造に対しても良好な一般化性能を示し、低コストかつ高精度を両立した。
• モデルのソースコードは公開されており、再現性が保たれるとともに、低コストナノフォトニクス設計分野におけるさらなる開発が可能となる。