[論文レビュー] Deep Neural Network Inverse Design of Integrated Nanophotonic Devices

Mohammad H. Tahersima, Keisuke Kojima+5 more|arXiv (Cornell University)|Sep 10, 2018

Photonic and Optical Devices参考文献 35被引用数 17

ひとこと要約

本論文は、ユーザーが定義した分割比を持つコンactなシリコンオンインソレータ（SOI）1×2パワー スプリッターを、1秒未塔で高速に生成できる、深層ニューラルネットワーク（DNN）ベースの逆設計フレームワークを提案する。この手法は、広帯域（1450–1650 nm）で90%を超える透過効率と20 dB未満の反射を達成し、一度の逆設計フレームワークで高効率、低反射、任意の分割比を同時に最適化する初のDNN手法を実証した。

ABSTRACT

Predicting physical response of an artificially structured material is of particular interest for scientific and engineering applications. Here we use deep learning to predict optical response of artificially engineered nanophotonic devices. In addition to predicting forward approximation of transmission response for any given topology, this approach allows us to inversely approximate designs for a targeted optical response. Our Deep Neural Network (DNN) could design compact (2.6x2.6 μm2) silicon-on-insulator (SOI)-based 1 X 2 power splitters with various target splitting ratios in a fraction of a second. This model is trained to minimize the reflection (smaller than 20 dB) while achieving maximum transmission efficiency (above 90%) and target splitting specifications. This approach paves the way for rapid design of integrated photonic components relying on complex nanostructures.

研究の動機と目的

• 従来のFDTDシミュレーションでは計算時間が長く、大規模な設計空間において現実的でないため、複雑なナノフォトニクス素子の最適化における計算ボトルネックを解消すること。
• ナノフォトニクス素子応答の順方向および逆方向モデリングを両立できる深層学習フレームワークを開発し、仕様による迅速な設計を可能とすること。
• 一度の逆設計プロセスで、90%を超える透過効率、20 dB未満の低反射、任意の分割比を同時に最適化すること。
• わずか約20,000回のFDTDシミュレーションで、2^400通りの組み合わせを有する膨大な設計空間をカバーする一般化が可能なDNNを示し、設計時間を数時間から数ミリ秒に短縮すること。

提案手法

• バイナリホール位置行列（デバイストポロジー）をスペクトル透過率および反射率応答（順方向モデル）にマッピングするため、残差ニューラルネットワーク（ResNet）アーキテクチャを訓練した。
• 望ましいスペクトル応答（目標の分割比と低反射）を、対応するバイナリホール位置ベクトル（デバイストポロジー）にマッピングする逆設計モデルを訓練した。
• 逆モデルでは、ホール位置（0または1）を予測するためのベルヌーイ分布分類器を用い、予測後に量子化処理を施してバイナリ設計を生成した。
• トレーニングデータは、LumericalのFDTDパッケージを用いた3次元FDTDシミュレーションにより生成され、SiおよびSiO2の分散屈折率を1.45–1.65 µmで取り扱った。
• ネットワークはPythonのTensorFlowを用いて訓練され、複数エポックにわたる損失最小化により、バイナリ解（0または1）への収束を確保した。
• 妥当性確認のため、再シミュレーションは独立したFDTDを用い、1550 nmにおける電場伝搬の確認を含めた性能評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、幾何的トポロジーからナノフォトニクス素子の光学的応答を正確に予測できるか？
• RQ2 DNNは、任意の分割比と低反射を含むユーザー指定の光学的応答を達成するデバイストポロジーを生成する逆設計を実行できるか？
• RQ3 わずか約20,000回のトレーニングシミュレーションで、2^400通りの組み合わせを有する膨大な設計空間を一般化できるか？
• RQ4 逆設計フレームワークは、一度に90%を超える透過、20 dB未満の低反射、および1450–1650 nmの広帯域動作を達成できるか？

主な発見

• DNNは、全テスト分割比（1:1、1:2、1:3）で90%を超える透過効率を達成し、これまでに報告された中で最高の効率を記録した。
• 1:2スプリッターを除く全ケースで反射が−20 dB未満に抑えられ、バックリフレクションの有効な抑制が図られた。
• 逆設計プロセスは、1回の設計あたり1秒未塔で有効で最適化されたデバイストポロジーを生成し、仕様による迅速かつインタラクティブな設計が可能になった。
• 1450–1650 nmの広帯域で安定した性能を示し、全目標分割比で一貫性のある性能を発揮した。これは波長変動に対するロバストネスを示している。
• 訓練済みDNNは、わずか約20,000回のFDTDシミュレーションで、2^400通りの設計空間全体をカバーする一般化を達成し、網羅的数値最適化の必要性を顕著に低減した。