[논문 리뷰] A Novel Modeling Approach for All-Dielectric Metasurfaces Using Deep Neural Networks

Sensong An, Clayton Fowler외 12명|arXiv (Cornell University)|2019. 06. 08.

Metamaterials and Metasurfaces Applications참고 문헌 32인용 수 13

한 줄 요약

이 논문은 이전의 신경망 기반 접근 방식에서 겪는 핵심적인 한계인 치수 불일치, 위상 예측 정확도, 3D 구조 적응성 문제를 극복함으로써, 전체 도체 메타표면의 설계를 가속화하고 향상시키는 딥 뉴럴 네트워크 프레임워크를 제안한다. 이 방법은 전자기 스펙트럼 전역에서 메타원자, 필터, 재구성 가능한 메타표면의 빠르고 정확하며 일반화 가능한 역설계를 가능하게 한다.

ABSTRACT

Metasurfaces have become a promising means for manipulating optical wavefronts in flat and high-performance optical devices. Conventional metasurface device design relies on trial-and-error methods to obtain target electromagnetic (EM) response, an approach that demands significant efforts to investigate the enormous number of possible meta-atom structures. In this paper, a deep neural network approach is introduced that significantly improves on both speed and accuracy compared to techniques currently used to assemble metasurface-based devices. Our neural network approach overcomes three key challenges that have limited previous neural-network-based design schemes: input/output vector dimensional mismatch, accurate EM-wave phase prediction, as well as adaptation to 3-D dielectric structures, and can be generically applied to a wide variety of metasurface device designs across the entire electromagnetic spectrum. Using this new methodology, examples of neural networks capable of producing on-demand designs for meta-atoms, metasurface filters, and phase-change reconfigurable metasurfaces are demonstrated.

연구 동기 및 목표

• 매우 넓은 매개변수 공간을 가진 메타표면 설계에서 시행착오 방식의 비효율성을 해결하기 위해.
• 이전의 신경망 기반 설계에서의 한계, 예를 들어 입력/출력 벡터 치수 불일치 및 열악한 위상 예측 정확도를 극복하기 위해.
• 다양한 광학적 功能을 구현하기 위한 3D 도체 메타표면의 정확한 모델링 및 역설계를 가능하게 하기 위해.
• 전자기 스펙트럼 전역에서 다양한 메타표면 장치에 적용 가능한 일반화 가능한 프레임워크를 개발하기 위해.
• 메타원자 및 필터, 재구성 가능한 구조와 같은 복잡한 메타표면 구성 요소의 고속·고정밀 설계를 달성하기 위해.

제안 방법

• 모든 도체 메타표면에 특화된 깊이 신경망 아키텍처를 제안하여 구조화된 입력 및 출력 표현 방식을 활용한다.
• 파동면 제어에 핵심적인 전자기파 위상 예측 정확도를 향상시키기 위해 맞춤형 손실 함수를 구현한다.
• 메타원자 기하학 및 전자기 응답의 압축적이고 물리학에 기반한 표현 방식을 사용하여 입력/출력 벡터 치수 불일치 문제를 해결한다.
• 기하학적 기술자와 전자기 시뮬레이션을 통한 파arameterized 기하 구조 기반 3D 도체 구조 모델링을 네트워크에 통합한다.
• 다양한 메타원자 구성에 대한 시뮬레이션된 전자기 응답을 포함한 대규모 데이터셋을 사용해 네트워크를 훈련시킨다.
• 목표 전자기 응답을 생성하는 메타원자 기하학을 생성하도록 네트워크를 조건화하여 역설계를 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 메타표면 설계에서 기하학(입력)과 전자기 응답(출력) 간의 치수 불일치 문제를 극복할 수 있는가?
• RQ2 네트워크는 다양한 메타원자 구조에서 전자기파 위상 예측을 높은 정확도로 달성할 수 있는가?
• RQ3 이 프레임워크는 2D 평면 설계를 초월해 3D 도체 메타표면에 일반화될 수 있는가?
• RQ4 이 방법은 필터 및 재구성 가능한 장치와 같은 기능성 메타표면의 빠르고 정확한 역설계를 가능하게 하는가?
• RQ5 이 접근 방식의 성능은 속도와 정확도 측면에서 기존의 시뮬레이션 기반 최적화 방법과 비교해 어떻게 되는가?

주요 결과

• 제안된 딥 뉴럴 네트워크는 기존의 전자기 시뮬레이션 방법에 비해 유의미하게 빠른 추론 속도를 달성하여 빠른 설계 반복을 가능하게 한다.
• 모델은 메타원자의 위상 응답을 높은 정확도로 예측하는 것으로 입증되었으며, 이는 이전의 신경망 기반 접근 방식 대비 위상 오차가 감소한 결과이다.
• 이 프레임워크는 목표 파면을 생성하는 메타원자를 성공적으로 설계하였으며, 복잡한 위상 프로파일, 예를 들어 베르트시컬 빔 및 렌즈 기능을 포함한 경우에도 적용 가능했다.
• 이 방법은 다양한 재료와 기하학에 대해 일반화되며, 상변화 물질을 사용한 정적 및 재구성 가능한 메타표면의 설계를 가능하게 했다.
• 목표 전송 스펙트럼을 가진 메타표면 필터의 정확한 역설계를 달성하였으며, 전체파 시뮬레이션을 통한 검증이 이루어졌다.
• 이 방법은 가시광선 및 적외선 주파수 대역에서의 사례를 통해 전자기 스펙트럼 전역에 적용 가능함을 입증하였다.