[논문 리뷰] A Freeform Dielectric Metasurface Modeling Approach Based on Deep Neural Networks

Sensong An, Bowen Zheng외 13명|arXiv (Cornell University)|2020. 01. 01.

Metamaterials and Metasurfaces Applications참고 문헌 29인용 수 14

한 줄 요약

이 논문은 자유형 비편광 메타표면의 2차원 패턴을 모델링하기 위해 컨volutional 신경망(CNN)을 기반으로 한 딥러닝 기반 접근법을 제시한다. 이는 넓은 스펙트럼에서 밀리초 내로 전자기적 반응을 빠르고 정확하게 예측할 수 있게 하며, 기존의 시뮬레이션 기반 메타원자 설계에 비해 계산 시간을 크게 단축시킨다. 이는 메타표면의 즉각적인 최적화 및 설계를 지원한다.

ABSTRACT

Metasurfaces have shown promising potentials in shaping optical wavefronts while remaining compact compared to bulky geometric optics devices. Design of meta-atoms, the fundamental building blocks of metasurfaces, relies on trial-and-error method to achieve target electromagnetic responses. This process includes the characterization of an enormous amount of different meta-atom designs with different physical and geometric parameters, which normally demands huge computational resources. In this paper, a deep learning-based metasurface/meta-atom modeling approach is introduced to significantly reduce the characterization time while maintaining accuracy. Based on a convolutional neural network (CNN) structure, the proposed deep learning network is able to model meta-atoms with free-form 2D patterns and different lattice sizes, material refractive indexes and thicknesses. Moreover, the presented approach features the capability to predict meta-atoms' wide spectrum responses in the timescale of milliseconds, which makes it attractive for applications such as fast meta-atom/metasurface on-demand designs and optimizations.

연구 동기 및 목표

• 기존의 시뮬레이션 기반 방법으로 메타원자를 특성화하는 데 소요되는 높은 계산 비용을 극복하기 위해.
• 임의의 2차원 패턴, 격자 크기, 굴절률 및 두께를 가진 비편광 메타표면을 신속하고 정확하게 모델링할 수 있도록 하기 위해.
• 실시간으로 메타원자의 광역 스펙트럼 전자기 반응을 예측할 수 있는 기계학습 프레임워크를 개발하기 위해.
• 실제 광학적 응용을 위한 메타표면의 신속한 즉각적 설계 및 최적화를 지원하기 위해.

제안 방법

• 다양한 기하학적 및 재료적 파rameter를 가진 메타원자 반응의 대규모 시뮬레이션 데이터셋을 기반으로 CNN를 훈련한다.
• 네트워크의 입력은 메타원자의 자유형 패턴을 2차원 이미지로 표현한 것으로, 임의의 형태의 모델링을 가능하게 한다.
• 네트워크의 출력은 넓은 주파수 범위에 걸쳐 메타원자의 전체 전자기 반응 스펙트럼을 포함하여 위상과 진폭을 제공한다.
• 다양한 재료 특성과 구조적 파rameter에 대해 유한요소법(FEM) 시뮬레이션을 기준으로 모델을 훈련한다.
• 재훈련 없이도 다양한 격자 상수, 굴절률 및 두께에 대해 일반화할 수 있도록 아키텍처를 설계한다.
• 추론는 밀리초 내로 수행되어 실시간 설계 및 최적화 워크플로우를 가능하게 한다.

실험 결과

연구 질문

• RQ1 자유형 비편광 메타원자에 대해 임의의 2차원 패턴을 가진 딥러닝 모델이 전체 스펙트럼 전자기 반응을 정확하게 예측할 수 있는가?
• RQ2 단일로 훈련된 CNN가 다양한 격자 크기, 재료 굴절률 및 두께에 대해 어느 정도 일반화될 수 있는가?
• RQ3 딥러닝 추론은 기존의 시뮬레이션 기반 메타원자 특성화 방식보다 얼마나 더 빠른가?
• RQ4 이 모델은 실시간 즉각적 설계 및 최적화를 지원할 수 있는가?

주요 결과

• 제안된 딥러닝 모델은 전체 전자기 반응을 밀리초 내로 예측하며, 전체파형 시뮬레이션 대비 높은 정확도를 달성한다.
• 재훈련 없이도 다양한 격자 상수, 굴절률 및 두께에 대해 효과적으로 일반화된다.
• 기존의 유한요소법(FEM) 시뮬레이션에 비해 추론 속도가 수 개의 지수 정도 더 빠르며, 실시간 설계 응용을 가능하게 한다.
• 넓은 스펙트럼 범위에서 고정밀도를 유지하여 복잡한 파면 형상 제어 작업을 지원한다.