[論文レビュー] Simultaneous inverse design of materials and parameters of core-shell nanoparticle via deep-learning: Demonstration of dipole resonance engineering

Sunae So, Jungho Mun+1 more|arXiv (Cornell University)|Apr 5, 2019

Metamaterials and Metasurfaces Applications参考文献 35被引用数 5

ひとこと要約

本論文は、電気的および磁気的デュポール共振を設計するために、コアシェルナノ粒子材料と構造的パrameterの同時逆設計を可能にするディープラーニングフレームワークを提示する。T行列法で計算された消光スペクトルを用いてカスタムマルチタスク損失関数でトレーニングされた二重ニューラルネットワークにより、特定のデュポール共振を有するナノ粒子の迅速かつ高精度な設計が可能になった。スペクトルチューニング、分離された磁気的デュポール共振、および重畳された電気的および磁気的デュポール共振の実証を通じて、データ駆動型ナノフォトニクス設計分野における顕著な前進が達成された。

ABSTRACT

Recent introduction of data-driven approaches based on deep-learning technology has revolutionized the field of nanophotonics by allowing efficient inverse design methods. In this paper, simultaneous inverse design of materials and structure parameters of core-shell nanoparticle is achieved for the first time using deep-learning of a neural network. A neural network to learn correlation between extinction spectra of electric and magnetic dipoles and core-shell nanoparticle designs, which include material information and shell thicknesses, is developed and trained. We demonstrate deep-learning-assisted inverse design of core-shell nanoparticle for 1) spectral tuning electric dipole resonances, 2) finding spectrally isolated pure magnetic dipole resonances, and 3) finding spectrally overlapped electric dipole and magnetic dipole resonances. Our finding paves the way of the rapid development of nanophotonics by allowing a practical utilization of a deep-learning technology for nanophotonic inverse design.

研究の動機と目的

• コアシェルナノ粒子の材料組成と構造的パrameterを同時に最適化するというナノフォトニクス用途における課題を克服すること。
• 逆設計に必要な連続的変数（構造的パrameter）とカテゴリカル変数（材料タイプ）を同時に処理できる、回帰（構造的パrameter）と分類（材料タイプ）の2つのタスクを統合的に解けるディープラーニングフレームワークの開発。
• 1枚のGPUを用いて、特定の電気的および磁気的デュポール共振を有するコアシェルナノ粒子の迅速かつ高精度な設計を可能にすること。
• 3つの逆設計タスクを通じて実用的有効性を実証すること：スペクトルチューニング、分離された磁気的デュポール共振、重畳されたデュポール共振。

提案手法

• 二重ニューラルネットワークアーキテクチャを採用：設計ネットワーク（DN）は消光スペクトルから設計パrameterをマッピングし、スペクトルネットワーク（SN）は設計からスペクトルを再構成して損失計算に用いる。
• 厚さの回帰損失と材料インデックスの分類損失を組み合わせた損失関数により、連続的およびカテゴリカルな設計変数を同時に最適化可能となる。
• データセットはT行列法を用いて生成され、300–1000 nmの100 nm波長ポイントで消光スペクトルを計算。7種類のインデックス化された材料（Ag, Au, Al, Cu, TiO2, SiO2, Si）を用いる。
• 非物理的屈折率を回避し、現実に実現可能な材料で学習可能とするために、材料タイプを整数（0–6）でエンコードする。
• 外半径が10 nmから150 nmの範囲に制限された10,000個のユニークなコアシェルナノ粒子構成でモデルをトレーニング。
• 逆設計は、ターゲットの消光スペクトルをDNに供給することで実施され、予測された材料タイプとシェル厚さが出力される。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングは、望ましい光学的応答を得るために、コアシェルナノ粒子における材料タイプと構造的パrameterを同時に最適化できるか？
• RQ2 単一のニューラルネットワークアーキテクチャは、材料と幾何形状の逆設計に必要な同時回帰と分類問題を効果的に処理できるか？
• RQ3 モデルは、可視光から近赤外域にわたり、スペクトル的にチューニングされた電気的デュポール共振を有するナノ粒子を正確に設計できるか？
• RQ4 モデルは、スペクトル的に分離された磁気的デュポール共振を有する構成を特定できるか？
• RQ5 モデルは、光-物質相互作用を強化するためのスペクトル的に重畳された電気的および磁気的デュポール共振を有する設計を発見できるか？

主な発見

• ディープラーニングモデルは、消光スペクトルとコアシェルナノ粒子設計（材料タイプとシェル厚さを含む）の間の複雑なマッピングを効果的に学習した。
• 電気的デュポール共振のスペクトルチューニングにおいて、材料と厚さを変更することで、350 nmから400 nmへの共振エネルギーのシフトを正確に予測した。
• 380 nmにスペクトル的に分離された磁気的デュポール共振を有する構成を特定し、その波長で電気的デュポール寄与が存在しないことにより確認された。
• 390 nmにスペクトル的に重畳された電気的および磁気的デュポール共振を有する設計を発見し、強力なマルチポール干渉を可能にした。
• モデルは、徐々に変化するスペクトルに対して頑健であり、40 nmのチューニング範囲にわたり、材料と厚さのシフトを正しく予測した。
• トレーニング済みモデルは、1回の予測あたりミリ秒未満で逆設計を実行でき、従来の最適化手法と比較して設計空間の迅速な探索が可能となった。