[論文レビュー] Spectral splitting and concentration of broadband light using neural networks

Alim Yolalmaz, Emre Yüce|arXiv (Cornell University)|Nov 1, 2020

Photonic and Optical Devices参考文献 46被引用数 5

ひとこと要約

本論文では、広帯域光をスペクトル的に分離し、空間的に集中させる、SpliConsと呼ばれる回折光学素子の逆設計を高速化するための深層ニューラルネットワークフレームワークを提案する。強度から位相へのマッピングの学習により、GPU上で2秒未満で96.6 ± 2.3%の精度を達成し、反復最適化を上回り、空間光変調器を用いた実験的検証が可能になった。

ABSTRACT

Compact photonic elements that control both the diffraction and interference of light offer superior performance at ultra-compact dimensions. Unlike conventional optical structures, these diffractive optical elements can provide simultaneous control of spectral and spatial profile of light. However, the inverse-design of such a diffractive optical element is time-consuming with current algorithms, and the designs generally lack experimental validation. Here, we develop a neural network model to experimentally design and validate SpliCons; a special type of diffractive optical element that can achieve spectral splitting and simultaneous concentration of broadband light. We use neural networks to exploit nonlinear operations that result from wavefront reconstruction through a phase plate. Our results show that the neural network model yields enhanced spectral splitting performance for phase plates with quantitative assessment compared to phase plates that are optimized via local search optimization algorithm. The capabilities of the phase plates optimized via neural network are experimentally validated by comparing the intensity distribution at the output plane. Once the neural networks are trained, we manage to design SpliCons with 96.6 $\pm$ 2.3% accuracy within 2 seconds, which is orders of magnitude faster than iterative search algorithms. We openly share the fast and efficient framework that we develop in order to contribute to the design and implementation of diffractive optical elements that can lead to transformative effects in microscopy, spectroscopy, and solar energy applications.

研究の動機と目的

• スペクトル分離および集中に適した多機能回折光学素子の設計における計算ボトルネックを解消すること。
• 広帯域光用の位相プレートの逆設計における1対多マッピング問題を克服すること。
• 深層学習を用いて、高速かつ高精度に、実験的に検証可能なSpliConsの設計を可能にすること。
• 先進的な光子デバイスの開発を加速するためのオープンソースフレームワークを提供すること。

提案手法

• SpliConsのための入力強度分布から対応する位相パターンへのマッピングを学習する深層ニューラルネットワークを訓練した。
• 教師あり学習のため、既知の回折パターン（入力）とそれに対応する位相プレート（出力）のデータセットを用いた。
• トレーニング後、1台のGPUを用いて推論を2秒未満で実行した。
• ReLU活性化関数とバッチ正則化を備えた完全結合ニューラルネットワークアーキテクチャを採用した。
• 空間光変調器（SLM）を用いて、設計された強度分布の再構成を実験的に検証した。
• 波面データからの複雑な非線形位相再構成を学習させることで、1対多マッピングの課題に対処した。

実験結果

リサーチクエスチョン

• RQ1 深層学習は、広帯域光を同時に分離・集中させるSpliConsの逆設計問題を効果的に解けるか？
• RQ2 ニューラルネットワークは、スペクトル成分を横断的に一般化し、広帯域照明に対して高精度な位相パターンを生成できるか？
• RQ3 ニューラルネットワークで設計されたSpliConsの性能は、従来の反復的最適化手法と比較してどうか？
• RQ4 トレーニング済みのモデルは、位相プレートのリアルタイム設計において高精度かつ高速性を達成できるか？
• RQ5 ニューラルネットワークで設計されたSpliConsの実験的実装は、実現可能で正確か？

主な発見

• ニューラルネットワークは、GPU上で2秒未満で96.6 ± 2.3%の精度を達成し、反復最適化を著しく上回った。
• 強度分布の比較による定量的評価により、局所探索最適化アルゴリズムよりもスペクトル分離性能が優れていた。
• 空間光変調器を用いた実験的検証により、出力面上での予測された強度分布が確認された。
• 本フレームワークは、分光法、顕微鏡、太陽エネルギー分野への応用を想定した、多機能回折光学素子の迅速かつ高精度でスケーラブルな設計を可能にした。
• フレームワークおよびデータセットのオープンソースリリースにより、コミュニティの採用が促進され、光子デバイス設計分野におけるイノベーションが加速された。
• 本アプローチは、広帯域位相プレートの逆設計に内在する1対多マッピング問題を効果的に解決した。