[論文レビュー] Compounding meta-atoms into meta-molecules with hybrid artificial intelligence techniques

Zhaocheng Liu, Dayu Zhu+4 more|arXiv (Cornell University)|Jul 7, 2019

Metamaterials and Metasurfaces Applications参考文献 32被引用数 6

ひとこと要約

本論文は、合成パターン生成ネットワークと協同的共進化を組み合わせたハイブリッド人工知能フレームワークを提案し、メタサーフェスにおけるメタ分子の逆設計を可能にする。深層学習と進化的アルゴリズムを用いて複雑なメタ分子設計を独立したメタ原子最適化に分解することで、光の偏光および波面に対する正確な制御が達成され、実験的に高い信頼性と効率性で検証された。

ABSTRACT

Molecules composed of atoms exhibit properties not inherent to their constituent atoms. Similarly, meta-molecules consisting of multiple meta-atoms possess emerging features that the meta-atoms themselves do not possess. Metasurfaces composed of meta-molecules with spatially variant building blocks, such as gradient metasurfaces, are drawing substantial attention due to their unconventional controllability of the amplitude, phase, and frequency of light. However, the intricate mechanisms and the large degrees of freedom of the multi-element systems impede an effective strategy for the design and optimization of meta-molecules. Here, we propose a hybrid artificial intelligence-based framework consolidating compositional pattern-producing networks and cooperative coevolution to resolve the inverse design of meta-molecules in metasurfaces. The framework breaks the design of the meta-molecules into separate designs of meta-atoms, and independently solves the smaller design tasks of the meta-atoms through deep learning and evolutionary algorithms. We leverage the proposed framework to design metallic meta-molecules for arbitrary manipulation of the polarization and wavefront of light. Moreover, the efficacy and reliability of the design strategy are confirmed through experimental validations. This framework reveals a promising candidate approach to expedite the design of large-scale metasurfaces in a labor-saving, systematic manner.

研究の動機と目的

• 空間的に変化する複雑なメタ分子を有する大規模メタサーフェスの設計課題に対処すること。
• 多数の要素を有するメタ分子系における高い自由度と複雑な相互作用を克服すること。
• 人工知能を用いて、体系的で作業負荷の少ないメタ分子設計戦略を開発すること。
• 設計されたメタ分子を通じて、光の偏光および波面の任意の制御を可能にすること。
• 提案されたフレームワークを実験的に検証し、実世界の応用における信頼性と有効性を確保すること。

提案手法

• フレームワークは、メタ分子の逆設計を個々のメタ原子の設計タスクに分解する。
• 合成パターン生成ネットワークが、所望の光学的応答を示す多様なメタ原子形状を生成する。
• 協同的共進化が、メタ原子の空間的配置および結合を最適化し、目的の機能を有するメタ分子を形成する。
• 深層学習モデルが、さまざまな構成におけるメタ原子の光学的応答（位相、振幅、偏光）を予測するように訓練される。
• 進化的アルゴリズムが、メタ原子の集団的挙動を最適化し、望ましい波面および偏光制御を達成する。
• フレームワークは、空間的に変化するメタ分子配置を有する大規模メタサーフェスの体系的でスケーラブルな設計を可能にする。

実験結果

リサーチクエスチョン

• RQ1 高い自由度と複雑な相互作用を有するメタ分子の逆設計を、どのようにして効率的に解決できるか？
• RQ2 深層学習と進化的アルゴリズムを組み合わせたハイブリッドAIアプローチが、メタ分子設計問題を効果的に分解・解決できるか？
• RQ3 提案されたフレームワークは、メタサーフェスにおける光の偏光および波面の任意の制御をどの程度達成できるか？
• RQ4 精度および効率性の観点から、AIで設計されたメタ分子の性能は、従来の設計手法と比べてどのように異なるか？
• RQ5 このハイブリッドAIフレームワークを用いて設計されたメタ分子の実験的実現可能性と信頼性はいかがなものか？

主な発見

• ハイブリッドAIフレームワークは、光の偏光および波面の任意の操作が可能な金属メタ分子を効果的に設計した。
• メタ分子設計を独立したメタ原子最適化タスクに分離することで、高い設計効率が達成された。
• 実験的検証により、予測された光学的応答が高精度で確認され、フレームワークの信頼性が裏付けられた。
• 本アプローチは、空間的に変化するメタ分子配置を有する大規模メタサーフェスの体系的でスケーラブルな設計を可能にした。
• 従来の試行錯誤的またはブルートフォース最適化手法と比較して、設計の複雑さと作業負荷が著しく低減された。
• 合成パターン生成ネットワークと協同的共進化の活用により、優れた性能を示す直感的でないメタ原子構成の発見が可能になった。