[論文レビュー] Using machine learning to create high-efficiency freeform illumination design tools

Caleb Gannon, Rongguang Liang|arXiv (Cornell University)|Dec 12, 2018

Advanced optical system design参考文献 16被引用数 6

ひとこと要約

本論文は、直交多項式係数を通じて、高レベルの照明設計目標（例：均一な長方形パターン）を自由形状光学面の形状へ直接マッピングする機械学習フレームワークを提案する。性能-表面関係のコンパクトな表現に基づいて訓練することで、従来のPDEベースの手法と比較して10,000倍以上高速なミリ秒単位の設計生成を達成し、訓練分布外でも高い精度で一般化可能である。

ABSTRACT

We present a method for improving the efficiency and user experience of freeform illumination design with machine learning. By utilizing orthogonal polynomials to interface with artificial neural networks, we are able to generalize relationships between freeform surface shapes and design parameters. Then, by training the network to generalize the relationship between high-level design goals and final performance, we were able to transform what is traditionally a difficult and computationally intensive problem into a compact, user friendly form. The potential of the proposed method is demonstrated through the design of uniform square patterns from off-axis positions and rectangular patterns of tuneable aspect ratios and distances from the target.

研究の動機と目的

• 従来の自由形状照明設計が複雑な非線形PDEを解く必要があるため計算的に非現実的で、かつ学習曲線が急峻であるという問題を克服すること。
• 高レベルの性能パラメータ（例：ターゲットの形状、サイズ、距離）から光学面幾何形状への直接マッピングを可能にすることで、設計プロセスを簡素化すること。
• 設計時間を数分／数時間からミリ秒に短縮し、高い性能を維持しながら設計空間のインタラクティブな探索を可能にすること。
• 学習済みの設計知識を訓練データの分布外に一般化し、未観測のターゲット設定に対しても頑健な性能を発揮できること。
• 複雑な光学設計問題のための機能的サrogateとして、極めてコンパクトなニューラルネットワーク（43kbおよび19kb）の実現可能性を示すこと。

提案手法

• 自由形状表面の形状をパラメータライズするため、直交多項式を用いることで、設計空間のコンパクトで完全な表現が可能になる。
• 人工ニューラルネットワークを用いて、入力の性能パラメータ（例：ターゲットの幅、高さ、距離）をこれらの直交多項式の係数へマッピングする。
• 従来のPDEベースの手法で事前に計算された設計の合成データセットに基づいてネットワークを訓練し、性能目標と表面幾何形状の間の暗黙的なマッピングを学習する。
• 訓練済みのネットワークはユニバーサル関数近似器として機能し、新しい設計設定に対して高速で微分可能かつ連続的な推論を可能にする。
• 本手法は、リアルタイムにモーレー＝アンペール方程式やSMS曲線計算を解く必要がなくなり、代わりにネットワークを1回の順伝播で処理する。
• 多項式基底のインダクティブバイアスとディープラーニングの関数近似能力により一般化が達成され、未訓練のターゲット寸法や距離に対しても外挿可能となる。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、均一な長方形パターンなどの高レベルの照明性能目標を、高い精度と速度で自由形状光学面の形状へ直接マッピングできるか？
• RQ2 限定されたターゲット寸法と距離の範囲で訓練されたニューラルネットワークは、訓練分布外の新しい未観測の設定に対してどれほど一般化できるか？
• RQ3 設計表現として直交多項式係数を用いることで、学習問題の次元数と複雑さをどれほど低減できるか？
• RQ4 得られたニューラルネットワークサrogateは、従来のPDEベースの設計手法と比較して10,000倍の高速化を達成し、設計品質を維持できるか？
• RQ5 モデルは、数千の設計バリエーションをリアルタイムで探索可能である実用的でインタラクティブな設計ツールとして機能できるか？

主な発見

• 本手法により、設計生成時間を数分／数時間から1回あたりミリ秒にまで10万〜100万倍の高速化が達成された。
• ニューラルネットワークは訓練データ外でも効果的に一般化し、訓練データに含まれる2〜4mのターゲットに比べて最大8mの幅と高さを持つターゲットに対しても高品質な設計を生成した。
• 1〜1.5mの距離でのみ訓練されたにもかかわらず、0.5mから3mまでの広い距離範囲で、非均一性が5％RMS未満に保たれた。
• 訓練済みのネットワークは19kbおよび43kbのファイルに収容可能であり、フル設計データセットを格納するのと比較して極めてメモリ効率が高かった。
• 高長方形比の領域では高次多項式が必要となるが、ネットワークの出力は物理的に妥当であり、さらなる最適化の初期推定値として適していることが確認された。
• 数千の設計バリエーションをほぼ即時に生成可能となり、設計ワークフローをバッチ処理から継続的処理へと変革した。