[論文レビュー] Designing nanophotonic structures using conditional-deep convolutional generative adversarial networks

Sunae So, Junsuk Rho|arXiv (Cornell University)|Mar 20, 2019

Metamaterials and Metasurfaces Applications参考文献 12被引用数 8

ひとこと要約

本稿では、所望の反射スペクトルから幾何的制約を回避して任意のナノフォトニクスアンテナ構造を直接設計するための条件付き深層畳み込み生成対抗ネットワーク（cDCGAN）を提案する。この手法は、64×64ピクセルの構造的デザインを生成し、高い忠実度で目的の光学的応答を達成する。反復的シミュレーションを経ずに安定的かつ高品質な逆設計が実現された。

ABSTRACT

Data-driven design approaches based on deep-learning have been introduced in nanophotonics to reduce time-consuming iterative simulations which have been a major challenge. Here, we report the first use of conditional deep convolutional generative adversarial networks to design nanophotonic antennae that are not constrained to a predefined shape. For given input reflection spectra, the network generates desirable designs in the form of images; this form allows suggestions of new structures that cannot be represented by structural parameters. Simulation results obtained from the generated designs agreed well with the input reflection spectrum. This method opens new avenues towards the development of nanophotonics by providing a fast and convenient approach to design complex nanophotonic structures that have desired optical properties.

研究の動機と目的

• 従来のナノフォトニクス設計の限界を克服すること。これは、時間のかかる反復的シミュレーションと事前に定義された幾何形状に依存している。
• Hアンテナや多層構造といった固定形状を超えた、新しい任意形状のナノフォトニクスアンテナの発見を可能にすること。
• 光学スペクトルから複雑な構造的デザインへのマッピングを実現する、安定的でデータ駆動型の生成モデルの開発。
• cDCGANが、目的の反射スペクトルに高い忠実度で一致する現実的で機能的なナノフォトニクス構造を生成できることを実証すること。

提案手法

• 条件付き深層畳み込み生成対抗ネットワーク（cDCGAN）を訓練し、入力された反射スペクトルから64×64ピクセルの構造的画像を生成する。各ピクセルは銀または空気を表す。
• 生成器ネットワークは、潜在ベクトルをフル解像度の構造的デザインにアップサンプリングするために逆畳み込み層を用いる。一方、識別器は標準的な畳み込み層を用いて、実際のデザインと生成されたデザインを区別する。
• 生成器と識別器の両方の性能を最適化するために、ロジットを用いたバイナリクロスエントロピー損失（BCE Loss）を用い、敵対的損失はハイパーパrameter ρを用いて重み付けされる。
• 250–500 THzの200周波数点でFDTDシミュレーションを用いて、6種類の形状をカバーする10,150個の銀ナノフォトニクスアンテナのデータセットを生成した。
• ミニバッチ勾配降下法を用い、バッチサイズは64とする。モデルは過学習を防ぎ、最良の重みを特定するために、20%のデータを検証に使用する。
• 物理的領域は500 nm × 500 nmに固定され、周期的境界条件が適用され、すべてのシミュレーションはy偏光の垂直入射を仮定している。

実験結果

リサーチクエスチョン

• RQ1 cDCGANモデルは、幾何的制約なしに、目標の反射スペクトルから新しい任意形状のナノフォトニクスアンテナ構造を直接生成できるか？
• RQ2 ナノフォトニクス設計において、cDCGANアーキテクチャは従来のcGANと比較して、トレーニングの安定性と生成品質に優れているか？
• RQ3 生成されたデザインは、FDTDシミュレーションによって確認されたように、どの程度正確に目標の光学的応答を再現できるか？
• RQ4 現実的で正確なナノフォトニクス構造を生成する際、敵対的損失と再構成損失の最適なバランスは何か？

主な発見

• cDCGANの最終検証損失は5.564×10⁻³であり、従来のcGANの6.035×10⁻³よりも顕著に低く、より優れたトレーニングの安定性と性能を示している。
• 200エポック後、cDCGANは現実的で構造的な画像を生成したが、cGANは800エポック経過してもノイズが多い出力を示し、収束性の向上が確認された。
• ρ = 0.5のとき、識別器からのフィードバックが効果的に機能し、ρ = 0またはρ = 1よりもより本物らしく構造的に整合性のあるデザインが生成された。
• FDTDでシミュレーションされた生成されたデザインは、入力された反射スペクトルとよく一致しており、逆設計における高い正確性が確認された。
• 本手法により、64×64ピクセルの設計空間で2⁴⁰⁹⁶の自由度が可能となり、事前に定義された幾何形状を超えた探索が可能になった。
• モデルは、元のトレーニングデータセットに存在しなかった新しい非伝統的形状のアンテナを成功裏に生成し、補間を超えた生成能力を示した。