[論文レビュー] Lens-descriptor guided evolutionary algorithm for optimization of complex optical systems with glass choice

Kirill Antonov, Teus Tukker+4 more|arXiv (Cornell University)|Jan 29, 2026

Advanced optical system design被引用数 0

ひとこと要約

LDG-EA は、曲率、厚さ、間隔、ガラス選択を同時に最適化する二段階の descriptor-guided マルチモーダル最適化フレームワークで、実用的な計算時間内に高品質設計の多様なセットを生み出します。

ABSTRACT

Designing high-performance optical lenses entails exploring a high-dimensional, tightly constrained space of surface curvatures, glass choices, element thicknesses, and spacings. In practice, standard optimizers (e.g., gradient-based local search and evolutionary strategies) often converge to a single local optimum, overlooking many comparably good alternatives that matter for downstream engineering decisions. We propose the Lens Descriptor-Guided Evolutionary Algorithm (LDG-EA), a two-stage framework for multimodal lens optimization. LDG-EA first partitions the design space into behavior descriptors defined by curvature-sign patterns and material indices, then learns a probabilistic model over descriptors to allocate evaluations toward promising regions. Within each descriptor, LDG-EA applies the Hill-Valley Evolutionary Algorithm with covariance-matrix self-adaptation to recover multiple distinct local minima, optionally followed by gradient-based refinement. On a 24-variable (18 continuous and 6 integer), six-element Double-Gauss topology, LDG-EA generates on average around 14500 candidate minima spanning 636 unique descriptors, an order of magnitude more than a CMA-ES baseline, while keeping wall-clock time at one hour scale. Although the best LDG-EA design is slightly worse than a fine-tuned reference lens, it remains in the same performance range. Overall, the proposed LDG-EA produces a diverse set of solutions while maintaining competitive quality within practical computational budgets and wall-clock time.

研究の動機と目的

• 曲率符号と材料インデックスを捉える振る舞い descriptors を Formalize する。
• LDG-EA を開発し descriptor を適応的にサンプリングし、HV-EA を用いて各 descriptor ごとに複数の局所最小値を見つける。
• descriptor モデルの学習を可能にし、サンプリングを有望な設計パターンへバイアスする。
• 実用的な計算予算内で高品質なレンズ設計の多様なセットを達成する。

提案手法

• 曲率符号とガラス index を表す有限集合の振る舞い descriptor X を定義する。
• Stage 1: 分布 p(x) から λ descriptor をサンプリングし、各 descriptor 内で予算 B のもと descriptor-constrained search を実行する。
• Stage 2: descriptor レベルの目的関数 f によって μ 個の最良 descriptor を選択し、トップ descriptor を強調する UMDA-風の更新で p(x) を更新する。
• 各 descriptor 内で、CMSA-ES を内部オプティマイザとして Hill-Valley Evolutionary Algorithm (HV-EA) を適用し、複数の局所 minima を見つける。
• 必要に応じて HV-EA 後に勾配ベースの最適化（例：BFGS）でトップ解を refine する。

Figure 1: Two views of the optimization landscape for a four‐element camera lens, where variables are curvatures, distances, and materials of glasses, visualized using the method from work [ 2 ] . This method selects points between three local minima, identified through a local-search algorithm. The

実験結果

リサーチクエスチョン

• RQ1 descriptor-guided マルチモーダル探索はガラス選択を含む高品質レンズ設計の多様なポートフォリオを生み出せるか？
• RQ2 実用的な六素子 Double-Gauss レンズについて、LDG-EA はいくつの異なる局所最適解と振る舞い descriptor領域を明らかにできるか？
• RQ3 descriptor 分布の学習は descriptor 非依存ベースラインと比較して探索-活用のバランスを改善するか？

主な発見

• LDG-EA は平均して 14,741 の局所最小候補を、636 個の異なる descriptor（5 回の実行）に対して生成した。
• tested hardware で約1時間のウォールクロック時間を要し、HV-EA の並列実行が可能だった。
• LDG-EA の最良の後処理設計は F = 3×10^-4 に到達し、CMA-ES ベースラインの最良 F = 1×10^-3 を上回り、リファレンスの調整後には F ≈ 7×10^-5 に近づいた。
• ベースライン CMA-ES は約 400 解を見つけ、そのうち 181 は同じ予算下の LDG-EA の最悪性能と同等以上だった。
• LDG-EA は初期の 5 世代以内に平均/最悪ケースの F の急速な改善を示し、その後の反復でも外れ値的な改善を継続して発見した。

Figure 2: (a) Visualization of behavior descriptor mapping: singlet lens $\bm{\theta}$ shown in the figure is mapped to its behavior descriptor $\bm{x}=(1,0,3)$ by the defined mapping $\bm{x}=\mathcal{D}(\bm{\theta}).$ The glass material is represented by the color. (b) Visualization of the space of