[논문 리뷰] A novel guided deep learning algorithm to design low-cost SPP films

Yingshi Chen, Jinfeng Zhu|arXiv (Cornell University)|2019. 12. 07.

Plasmonic and Surface Plasmon Research참고 문헌 19인용 수 4

한 줄 요약

이 논문은 저비용 샘플 교체 전략을 활용해 깊이 강화된 컨volutional 신경망(CNN)을 훈련시켜, 고비용의 희토금속을 일반 금속으로 대체하는 등 저비용 재료 치환을 학습할 수 있도록 하는 새로운 지도형 딥러닝 알고리즘을 제안한다. 이로 인해 높은 정확도를 유지하면서도 평균 상대 스펙트럼 오차가 10% 미만인 저비용 표면 플라즈몬 폴라리톤(SPP) 필름 설계가 가능해진다.

ABSTRACT

The design of surface plasmon polaritons (SPP) films is an ill-posed inverse problem. There are many-to-one correspondence between the structures and user needs. We present a novel guided deep learning algorithm to find optimal solutions (with both high accuracy and low cost). To achieve this goal, we use low cost sample replacement algorithm in training process. The deep CNN would gradually learn better model from samples with lower cost. We have successfully applied this algorithm to the design of low-cost SPP films. Our model learned to replace precious metals with ordinary metals to reduce cost. So the the cost of predicted structure is much lower than standard deep CNN. And the average relative error of spectrum is less than 10%. The source codes are available at https://github.com/closest-git/MetaLab.

연구 동기 및 목표

• 사용자 요구사항을 충족시키는 다수의 구조가 존재하는 불량한 역문제(inverse problem)를 해결하기 위해.
• 특히 고비용의 희토금속 사용을 최소화함으로써 스펙트럼 성능을 저하시키지 않고 SPP 필름의 비용을 낮추기 위해.
• 훈련 과정에서 저비용 재료 구성 방식을 우선시하는 딥러닝 프레임워크를 개발하기 위해.
• 비용 인지 샘플링을 통한 지도형 훈련을 통해 나노광학 설계 분야에서 딥러닝 모델의 일반화 능력과 비용 효율성을 향상시키기 위해.

제안 방법

• 알고리즘은 깊이 강화된 컨volutional 신경망(CNN)을 활용하여 구조적 파arameter를 SPP 스펙트럼 반응으로 매핑한다.
• 고비용 샘플이 최적화 과정 중에 점진적으로 저비용 대체물로 교체되는 저비용 샘플 교체 전략을 훈련 과정에 통합한다.
• 모델은 비용 효율성을 우선시하는 데이터셋을 반복적으로 훈련하여, 금이나 platina 대신 알루미늄이나 은과 같은 저비용 재료 선택을 학습할 수 있도록 한다.
• 스펙트럼 정확도와 재료 비용을 균형 잡는 손실 함수를 사용하며, 저비용 솔루션을 강조하기 위해 비용 가중 샘플링을 적용한다.
• 이 프레임워크는 스펙트럼 정확도와 경제적 타당성이 높은 최적의 SPP 구조를 종단 간(end-to-end)으로 학습할 수 있도록 한다.
• 모델은 알려진 스펙트럼 반응과 재료 비용을 갖춘 SPP 필름 구성의 벤치마크 데이터셋을 사용하여 검증된다.

실험 결과

연구 질문

• RQ1 스펙트럼 정확도를 유지하면서도 SPP 필름 설계에서 저비용 재료 선택을 우선시할 수 있도록 딥러닝 모델을 훈련시킬 수 있는가?
• RQ2 저비용 샘플 교체 전략이 성능 저하 없이 경제적으로 타당한 솔루션으로 모델을 이끌어내는 데 얼마나 효과적인가?
• RQ3 SPP 필름에서 희토금속을 일반 금속으로 대체할 수 있는 정도는 어느 정도이며, 스펙트럼 오차가 증가하는가?
• RQ4 예측된 SPP 구조에서 재료 비용 절감과 스펙트럼 정확도 간의 상호 상충 관계는 어떠한가?
• RQ5 비용과 성능 측면에서 지도형 훈련 접근법은 표준 딥러닝 모델과 비교해 어떻게 다른가?

주요 결과

• 제안된 알고리즘은 SPP 필름 설계에서 금과 같은 희토금속을 알루미늄이나 은과 같은 일반 금속으로 성공적으로 대체하여 재료 비용을 크게 낮췄다.
• 예측된 SPP 스펙트럼의 평균 상대 오차는 10% 미만이었으며, 이는 높은 스펙트럼 정확도를 의미한다.
• 기존의 표준 딥 CNN 모델이 비용 인지 훈련을 통합하지 않기 때문에, 이 모델은 더 낮은 비용 예측을 달성했다.
• 저비용 샘플 교체 전략은 훈련 과정에서 네트워크가 저비용 재료 치환을 효과적으로 학습하도록 이끌어내는 데 성공했다.
• 훈련된 모델는 새로운 SPP 구조에 대해 잘 일반화되었으며, 낮은 비용과 높은 정확도를 유지했다.
• 모델의 소스 코드는 공개되어 있어 재현 가능성이 높으며, 저비용 나노광학 설계 분야의 후속 연구 및 개발을 가능하게 한다.