[論文レビュー] Multiplexed Supercell Metasurface Design and Optimization with Tandem Residual Networks

Christopher Yeung, Ju-Ming Tsai+6 more|arXiv (Cornell University)|Aug 2, 2020

Metamaterials and Metasurfaces Applications参考文献 63被引用数 92

ひとこと要約

本論文は、100個以上のサブユニット素子を有する多重化スーパセルメタサーフェスの逆設計に適したテンドン残差ディープラーニングフレームワークを提案する。広帯域、狭帯域、マルチ共鳴吸収体を中赤外域および長波長赤外域で高精度に生成可能である。設計空間が3兆を超える中で、3,600回のフル波動電磁界シミュレーションのみを用いることで、強いモード結合および空間的配置効果を考慮しつつ、正確なスペクトルターゲティングを実現する。

ABSTRACT

Complex nanophotonic structures hold the potential to deliver exquisitely tailored optical responses for a range of applications. Metal-insulator-metal (MIM) metasurfaces arranged in supercells, for instance, can be tailored by geometry and material choice to exhibit a variety of absorption properties and resonant wavelengths. With this flexibility, however, comes a vast space of design possibilities that classical design paradigms struggle to effectively navigate. To overcome this challenge, here we demonstrate a tandem residual network approach to efficiently generate multiplexed supercells through inverse design. By using a training dataset with several thousand full-wave electromagnetic simulations in a design space of over three trillion possible designs, the deep learning model can accurately generate a wide range of complex supercell designs given a spectral target. Beyond inverse design, the presented approach can also be used to explore the structure-property relationships of broadband absorption and emission in such supercell configurations. Thus, this study demonstrates the feasibility of high-dimensional supercell inverse design with deep neural networks that is applicable to complex nanophotonic structures composed of multiple subunit elements that may exhibit coupling.

研究の動機と目的

• 強い要素間結合を有する多重化スーパセルメタサーフェスの指数関数的に巨大な設計空間を効果的に探索する課題に対処すること。
• 複雑なナノフォトニクス構造のディープラーニングベースの逆設計における非一意性および消失勾配問題を克服すること。
• 100個以上の異なる共鳴器素子を有するスーパセルメタサーフェスの高精度でデータ効率の良い逆設計を可能にすること。
• 訓練済みニューラルネットワークから直接、吸収率、放射率、帯域幅のトレードオフといった構造-性質関係を同定すること。
• 1つのディープラーニングモデルが、複雑なスーパセル構成の幾何的パラメータと最適な空間配置を同時に生成できることを実証すること。

提案手法

• 非一意性を解消するために、逆モデルネットワークと順方向モデルネットワークを組み合わせたテンドン残差ネットワークアーキテクチャを採用する。
• 高次元設計空間の取り扱いや消失勾配の緩和のため、1次元畳み込み層と残差ブロックを用いる。
• 逆ネットワークは、ターゲット吸収スペクトルを入力とし、共鳴器の幾何的パラメータ（幅、長さ）および空間的配置を出力する。
• 順方向ネットワークは、フル波動電磁界応答をシミュレートすることで予測を検証し、フィードバックと最適化を可能にする。
• トレーニングデータセットは、3兆を超える可能な構成を有する設計空間において、3,600回のフル波動シミュレーションから構成され、固定されたクロス幅（500 nm）と可変なクロス長さ（1.4–3 µm）を有する。
• 構造-性質関係は、順方向ネットワークを照会して、ターゲット帯域幅および温度の関数として熱放射率や最大吸収率などの指標を計算することで調査する。

実験結果

リサーチクエスチョン

• RQ1 3兆を超える可能なスーパセル構成を有する高次元設計空間において、ディープラーニングモデルがMIMメタサーフェスの設計を効果的に探索できるか？
• RQ2 強い結合を有する多重化スーパセルの逆設計において、テンドン残差ネットワークアーキテクチャが非一意性および消失勾配問題を克服できるか？
• RQ3 1つの訓練済みモデルが、複数の固有の共鳴器素子と最適化された空間配置を有する、正確で複雑なスーパセル設計をどの程度正確に生成できるか？
• RQ4 訓練済みモデルを用いることで、追加のシミュレーションを伴わず、放射率や帯域幅のトレードオフといった構造-性質関係を迅速に同定できるか？
• RQ5 残留ベースのアーキテクチャは、従来の全結合型テンドンネットワークに比べ、メタサーフェスの逆設計においてどのように性能を発揮するか？

主な発見

• テンドン残差ネットワークは、3,600回のトレーニングシミュレーションのみを用いて、狭帯域、マルチ共鳴、広帯域の吸収応答を示すスーパセルメタサーフェスを成功裏に設計した。
• 幾何的パラメータおよび空間的配置の予測において高い精度を達成し、予測された吸収スペクトルはフル波動シミュレーション結果（真値）とよく一致した。
• ネットワークは、ターゲット帯域幅（FWHM）が広がるにつれて、最大吸収率が低下し、ターゲット応答と予測応答の間の平均二乗誤差（MSE）が増加することを同定した。
• 統合的垂直入射放射率は、ターゲット帯域幅が広がるにつれて増加し、ピーク吸収率の低下を補償する。この関係は、黒体スペクトル放射率の温度依存性により、温度に依存する。
• 順方向ネットワークにより、パラメータスイープが高速に実行可能であり、放射率および吸収率のトレンド分析を1分未満で完了した。これにより、フル波動EMシミュレーションの高速な代替としてのモデルの有効性が示された。
• このフレームワークにより、複雑な設計空間の効率的探索が可能となり、訓練済みパrameter範囲内において、スペクトル応答、幾何的パラメータ、熱放射特性の間の非自明な依存関係が明らかになった。