[論文レビュー] Deep Inverse Design of Reconfigurable Metasurfaces for Future Communications

John A. Hodge, Kumar Vijay Mishra+1 more|arXiv (Cornell University)|Jan 22, 2021

Metamaterials and Metasurfaces Applications参考文献 14被引用数 10

ひとこと要約

本稿では、再構成可能メタサーフェス（RIS）のための深層学習（DL）ベースの逆設計フレームワークを提案し、効率的で物理的知見を反映したカスタム電磁（EM）応答の生成を可能にする。生成対抗ネットワーク（GANs）と物理知見に基づく学習を活用することで、計算コストの高いフルウェーブシミュレーションを回避し、目的のビームフォーミングおよび波面制御を実現するRISユニットセルの迅速かつグローバル最適化を達成する。

ABSTRACT

Reconfigurable intelligent surfaces (RIS) have recently received significant attention as building blocks for smart radio environments and adaptable wireless channels. By altering the space- and time-varying electromagnetic (EM) properties, the RIS transforms the inherently stochastic nature of the wireless environment into a programmable propagation channel. Conventionally, designing RIS to yield the desired EM response requires trial-and-error by iteratively investigating a large possibility of various geometries and materials through thousands of full-wave EM simulations. In this context, deep learning (DL) techniques are proving critical in reducing the computational cost and time of RIS inverse design. Instead of explicitly solving Maxwell's equations, DL models learn physics-based relationships through supervised training data. Further, generative adversarial networks are shown to synthesize novel RIS designs not previously seen in the literature. This article provides a synopsis of DL techniques for inverse RIS design and optimization to yield targeted EM response necessary for future wireless networks.

研究の動機と目的

• フルウェーブ電磁（EM）シミュレーションを用いた従来のRIS設計における高い計算コストと反復的性質を解決すること。
• 望ましいEM応答を得るためのメタサーフェスの幾何形状および材料の最適化において、試行錯誤アプローチの限界を克服すること。
• 深層学習によるEM物理の暗黙的学習を通じて、データ効率的で迅速な再構成可能メタサーフェスの逆設計を可能にすること。
• 従来の文献に存在しない、新規で直感的でないRIS構造を生成可能な生成モデルの開発。
• 物理的制約を深層学習アーキテクチャに統合し、一般化性能を向上させるとともに、大規模なシミュレーションデータセットへの依存を低減すること。

提案手法

• 生成対抗ネットワーク（GANs）を用いて、望ましいEM応答からRISユニットセルの幾何形状へのマッピングを学習し、エンドツーエンドの逆設計を実現する。
• グローバルトポロジーオプティマイゼーションネットワーク（GLOnets）を用い、大規模なラベル付きデータセットを必要とせずに、潜在分布を最適なRIS設計に向かって反復的にシフトさせることで、物理知見に基づく最適化を実行する。
• トポロジー最適化されたメタグレーティングの画像を学習データとして用い、効率的で広帯域かつ広角分散を実現する構造を合成する深層生成モデル（DGMs）を訓練する。
• 物理的知見に基づく解析的モデル（例：RF回路モデル）を事前分布として組み込み、トレーニング中のフルウェーブEMシミュレーション回数を削減する。
• 近場結合を扱うためにグラフや、時間変動応答を扱うために系列データなどの代替的データ表現を検討し、グラフニューラルネットワーク（GNNs）および再帰ニューラルネットワーク（RNNs）を用いて処理する。
• トランスファー学習および深層Qネットワーク（DQNs）を用いて、異なるRIS設計および周波数帯域間での適応を加速する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、マクスウェル方程式を明示的に解かずに、望ましいEM応答とRISユニットセル幾何形状の逆関係を効果的に学習できるか？
• RQ2 GANやGLOnetsなどの生成モデルは、従来の標準的構造を超えた、新規で高性能なRIS設計を発見するためにどのように利用できるか？
• RQ3 物理知見に基づく深層学習は、RIS設計における大規模なフルウェーブEMシミュレーションデータセットの必要性をどの程度低減できるか？
• RQ4 グラフや系列といった代替的データ表現（例：近接結合や時間変動系）は、動的または結合したRISシステムにおける複雑なEM相互作用のモデリングをどのように改善するか？
• RQ5 トランスファー学習および強化学習技術は、多層型または多機能型RISアーキテクチャの設計を加速できるか？

主な発見

• 生成対抗ネットワーク（GANs）は、文献に以前に報告されていなかった新規なRIS設計を効果的に合成し、これまで未踏の設計空間の探索を可能にした。
• グローバルトポロジーオプティマイゼーションネットワーク（GLOnets）は、最適解を中心に鋭いピークを持つ分布を学習することで、メタサーフェス設計における計算効率とロバストネスを示した。
• 物理知見に基づくGANおよびハイブリッドモデルは、解析的RF回路モデルを事前分布として組み込むことで、フルウェーブEMシミュレーションの回数を削減し、トレーニングの効率を向上させた。
• GLOnetsは、広帯域および広角応答を実現するトポロジー最適化メタグレーティングで高い性能を示したが、厳密な性能目標を満たすために追加の最適化が必要であった。
• グラフおよび系列データ表現をグラフニューラルネットワーク（GNNs）および再帰ニューラルネットワーク（RNNs）で処理した手法は、結合的または時間変動するRISシステムにおける複雑なEM相互作用のモデリングにおいて有望な結果を示した。
• トランスファー学習および深層Qネットワーク（DQNs）は、関連するRIS設計タスク間での学習を加速できることを示し、スケーラブルで多機能なRIS最適化の可能性を示唆した。