[論文レビュー] Progressive-Growing of Generative Adversarial Networks for Metasurface Optimization

Fufang Wen, Jiaqi Jiang+1 more|arXiv (Cornell University)|Nov 29, 2019

Metamaterials and Metasurfaces Applications被引用数 5

ひとこと要約

本稿では、訓練中にGANのアーキテクチャとトレーニングセットを段階的に拡大することで、メタサーフェス設計の性能を向上させるプログレッシブグローミング生成対立ネットワーク（PGGAN）フレームワークを提案する。高効率なGAN生成デバイスによる繰り返しのデータ精錬と、段階的な解像度の向上を組み合わせることで、後処理のない勾配ベースのトポロジー最適化と同等のデバイス性能を達成し、計算上のボトルネックを解消する。

ABSTRACT

Generative adversarial networks, which can generate metasurfaces based on a training set of high performance device layouts, have the potential to significantly reduce the computational cost of the metasurface design process. However, basic GAN architectures are unable to fully capture the detailed features of topologically complex metasurfaces, and generated devices therefore require additional computationally-expensive design refinement. In this Letter, we show that GANs can better learn spatially fine features from high-resolution training data by progressively growing its network architecture and training set. Our results indicate that with this training methodology, the best generated devices have performances that compare well with the best devices produced by gradient-based topology optimization, thereby eliminating the need for additional design refinement. We envision that this network training method can generalize to other physical systems where device performance is strongly correlated with fine geometric structuring.

研究の動機と目的

• トポロジカルに複雑なメタサーフェスの微細な空間的特徴を捉えることが難しい従来のGANの限界を克服すること。
• 反復的な勾配ベースの最適化を訓練済みのGANに置き換えることで、メタサーフェス設計の計算コストを低減すること。
• プログレッシブな訓練によるGAN一般化の向上により、生成後の精錬の必要性を排除すること。
• PGGANが勾配最適化された設計と同等またはそれを上回る効率を持つメタサーフェスを生成できることを示すこと。

提案手法

• 訓練中に層を追加することで、低解像度の特徴から高解像度の詳細へと段階的にGANの生成器と識別器を拡大する。
• 訓練中に高効率なGAN生成メタサーフェスを同定し、データセットに追加することでトレーニングセットを動的に拡張する。
• 電磁界シミュレータ（RCWA）を用いてデバイス効率を評価し、上位性能のGAN生成デバイスをデータセットに含める。
• 1波長-偏向ペアあたり最高効率の85％未満の低効率デバイスをトレーニングセットから削除し、性能の低下を防ぐ。
• 複数の波長と入射角で正常に入射光を+1階層に偏向させるメタグレーティングを生成するための条件付きPGGANを訓練する。
• 13波長（500–1100 nm）と11偏向角（35°–85°）の高密度サンプリングを実施し、広範なカバーと効果的な一般化を確保する。

実験結果

リサーチクエスチョン

• RQ1 ネットワークアーキテクチャとトレーニングセットの両方を段階的に成長させることで、標準GANと比較して、GAN生成メタサーフェスの忠実度が向上するか？
• RQ2 高効率なGAN生成デバイスによる動的トレーニングセット拡張は、生成器の最終的性能を向上させるか？
• RQ3 PGGANは追加の精錬なしで、勾配ベースのトポロジー最適化の性能にどれほど近づくか、あるいはそれを上回れるか？
• RQ4 ネットワーク成長とトレーニングセット成長の組み合わせは、それぞれの手法単独と比較して、デバイス効率にどのように影響するか？
• RQ5 本手法は、微細な幾何構造がデバイス性能に強く影響を与える他の物理系に対しても一般化可能か？

主な発見

• PGGANは、最良の勾配ベースのトポロジー最適化デバイスと同等の平均デバイス効率を達成し、生成後の精錬の必要性を排除した。
• トレーニングセットの成長のみで、GAN生成デバイスの平均効率が約20%向上した。一方、ネットワーク成長のみで約10%向上した。
• 両方の成長戦略を組み合わせた結果、最高の性能が得られ、PGGANが生成したデバイスは、トレーニングセット内の最良のデバイスと同等またはそれを上回る効率を示した。
• PGGANの総計算コストは3,038,500回のEMシミュレーションであり、全範囲の勾配ベース最適化に要する1680万回のシミュレーションと比べて顕著に低減された。
• 訓練後、1波長-偏向ペアあたり2,000個の生成デバイスを評価するために、たった286,000回のシミュレーションで十分であった。これは、高い推論効率を示している。
• 本手法は、13波長と11偏向角の高密度な範囲で、一貫した高い効率を示す高性能なメタグレーティングを効果的に生成した。