[論文レビュー] WaveY-Net: Physics-augmented deep learning for high-speed electromagnetic simulation and optimization

Mingkun Chen, Robert Lupoiu+5 more|arXiv (Cornell University)|Mar 2, 2022

Photonic and Optical Devices被引用数 5

ひとこと要約

WaveY-Net は、データ駆動型学習と離散化されたマクスウェル方程式を物理的制約として組み合わせることで、誘電体フォトニクス構造内の電磁界分布を超高性能かつ高精度に予測する物理的制約付き畳み込みニューラルネットワークである。この手法は、予測における正規化平均絶対誤差が1%未塔を達成し、メタグレーティングの効率的で自由形式の最適化を可能にし、スケーラブルなマクスウェルシミュレータの代替としての可能性を示している。

ABSTRACT

The calculation of electromagnetic field distributions within structured media is central to the optimization and validation of photonic devices. We introduce WaveY-Net, a hybrid data- and physics-augmented convolutional neural network that can predict electromagnetic field distributions with ultra fast speeds and high accuracy for entire classes of dielectric photonic structures. This accuracy is achieved by training the neural network to learn only the magnetic near-field distributions of a system and to use a discrete formalism of Maxwell's equations in two ways: as physical constraints in the loss function and as a means to calculate the electric fields from the magnetic fields. As a model system, we construct a surrogate simulator for periodic silicon nanostructure arrays and show that the high speed simulator can be directly and effectively used in the local and global freeform optimization of metagratings. We anticipate that physics-augmented networks will serve as a viable Maxwell simulator replacement for many classes of photonic systems, transforming the way they are designed.

研究の動機と目的

• 大規模フォトニクス構造のシミュレーションにおいて、従来のマクスウェルソルバの計算ボトルネックを克服すること。
• 多様な誘電体フォトニクス幾何構造にわたる高精度な電磁界予測を実現する高速なサーヴィレートシミュレータを開発すること。
• マクスウェル方程式をディープラーニングフレームワークに直接統合し、物理的一致性を確保するとともに一般化性能を向上させること。
• トレーニング済みの WaveY-Net モデルを用いて、メタグレーティングの局所的およびグローバルな自由形式最適化を効率的に行えるようにすること。
• 物理的制約付きニューラルネットワークが、フォトニクス設計における伝統的なマクスウェルソルバの代替として実用的かつスケーラブルであることを示すこと。

提案手法

• WaveY-Net は、ユニットセルの画像入力から磁界近隣分布を予測するため、UNetベースのアーキテクチャを採用している。
• モデルは、データ損失（真値磁界からのずれ）とマクスウェル損失（離散化マクスウェル方程式からのずれ）を組み合わせたハイブリッド損失関数を用いて訓練される。
• 電界マップは、予測された磁界を用いて離散化されたアンペールの法則により計算され、マクスウェル方程式との整合性が保たれる。
• マクスウェル損失は、隣接ボクセル間の物理的関係を強制する離散化波動方程式の残差を介して計算される。
• 適切な損失関数の定式化を確保するため、縦方向のエッジには周期的境界条件、横方向のエッジにはディリクレ境界条件が適用される。
• ネットワークは、9:1の訓練・テスト分割に基づき、200エポックにわたり、重み減衰と指数関数的学習率減衰を用いた Adam 最適化手法で訓練される。

Figure 1: Overview of the WaveY-Net network architecture and training procedure. a) WaveY-Net is a UNet that learns the electromagnetic behavior of silicon-based metagratings (left). The input is an image of a single unit cell of the metagrating, and the outputs are magnetic field maps (center). Ele

実験結果

リサーチクエスチョン

• RQ1 電磁界データでトレーニングされたディープラーニングモデルが、マクスウェル方程式を物理的制約として組み込むことで、高い精度を達成できるか？
• RQ2 損失関数に離散化マクスウェル方程式を組み込むことで、予測の一般化性能と物理的一致性はどの程度向上するか？
• RQ3 物理的制約付きニューラルネットワークは、フォトニクス素子の最適化のための高速かつ高精度なサーヴィレートシミュレータとして機能できるか？
• RQ4 自由形式設計において、WaveY-Net の性能は、従来のマクスウェルソルバと比較して、速度、精度、スケーラビリティの観点でどの程度優れているか？
• RQ5 WaveY-Net が予測する電磁界は、メタグレーティングのアドジョイントベース最適化に効果的に利用できるか？

主な発見

• WaveY-Net は、予測された磁界成分の正規化平均絶対誤差（MAE）が1%未塔に達し、高い精度を示している。
• 予測された磁界から離散アンペールの法則を用いて電界成分を計算することで、正規化MAEが1.5%未塔に抑えられている。
• マクスウェル損失部は、予測された場が離散波動方程式の残差を満たすことを保証し、正規化MAEが約0.5%に抑えられている。
• 全電磁界予測において、すべての成分の正規化MAEが1.2%未塔に抑えられており、強固さと整合性が確認された。
• WaveY-Net は、局所的およびグローバルな自由形式設計戦略を用いたメタグレーティングのリアルタイム最適化を可能にし、従来のシミュレーションベース手法に比べて著しく高速である。
• WaveY-Net の予測から得られるアドジョイント勾配計算により、有効な最適化が実現されており、勾配の大きさは正規化およびフィルタリングされ、材料制約を尊重している。

Figure 2: Benchmark comparison between WaveY-Net and a data-only UNet, both which predict magnetic field maps. a) Scatter plot of magnetic wave equation residue MAE versus magnetic field MAE. The predicted magnetic field maps are from 3000 test devices evaluated by each network. b) Scatter plot of t