[논문 리뷰] Deep Convolutional Neural Networks to Predict Mutual Coupling Effects in Metasurfaces

Sensong An, Bowen Zheng외 14명|arXiv (Cornell University)|2021. 02. 02.

Metamaterials and Metasurfaces Applications참고 문헌 34인용 수 9

한 줄 요약

이 논문은 대규모 배열 내의 메타원자들의 전자기 응답을 모델링하고 근접장 상호작용을 고려하여 메타표면에서 상호 커플링 효과를 예측하기 위해 딥 컨volution 신경망(CNN)을 제안한다. 이 방법은 위상과 세기의 밀리초 수준 예측을 달성하여 기존의 주기적 설계 접근 방식에 비해 빔 디플렉터와 메탈렌즈에서 효율성을 크게 향상시킨다.

ABSTRACT

Metasurfaces have provided a novel and promising platform for the realization of compact and large-scale optical devices. The conventional metasurface design approach assumes periodic boundary conditions for each element, which is inaccurate in most cases since the near-field coupling effects between elements will change when surrounded by non-identical structures. In this paper, we propose a deep learning approach to predict the actual electromagnetic (EM) responses of each target meta-atom placed in a large array with near-field coupling effects taken into account. The predicting neural network takes the physical specifications of the target meta-atom and its neighbors as input, and calculates its phase and amplitude in milliseconds. This approach can be applied to explain metasurfaces' performance deterioration caused by mutual coupling and further used to optimize their efficiencies once combined with optimization algorithms. To demonstrate the efficacy of this methodology, we obtain large improvements in efficiency for a beam deflector and a metalens over the conventional design approach. Moreover, we show the correlations between a metasurface's performance and its design errors caused by mutual coupling are not bound to certain specifications (materials, shapes, etc.). As such, we envision that this approach can be readily applied to explore the mutual coupling effects and improve the performance of various metasurface designs.

연구 동기 및 목표

• 비균일한 이웃 상호작용에도 불구하고 주기적 경계 조건을 가정하는 기존 메타표면 설계의 정확도 부족 문제를 해결하기 위해.
• 로컬 환경을 고려한 메타원자의 진정된 전자기 응답을 예측하는 데이터 기반 접근법을 개발하기 위해.
• 상호 커플링으로 인한 효율 손실을 정량화하고 보정함으로써 메타표면의 성능 최적화를 가능하게 하기 위해.
• 다양한 재료, 형태 및 메타표면 구성에 대해 이론의 일반화 가능성을 입증하기 위해.

제안 방법

• 목표 메타원자의 위상 및 세기 응답을 예측하기 위해 딥 컨volution 신경망을 학습시키며, 이는 자기 자신과 이웃 요소의 기하학적 및 재료 사양에 기반한다.
• 네트워크의 입력은 목표 메타원자와 주변 메타원자의 물리적 매개변수(예: 형상, 재료, 위치)를 인코딩한 공간적 특징 맵을 포함한다.
• 다양한 메타표면 구성에 대해 전체 파장 전자기 시뮬레이션 결과를 기준 진실값으로 사용하여 네트워크를 학습시킨다.
• 모델는 빔 디플렉터와 메탈렌즈를 포함한 다양한 메타표면 아키텍처에 일반화되도록 설계된다.
• 인퍼런스는 밀리초 내로 수행되어 실시간 예측 및 최적화 파이프라인과의 통합이 가능하다.
• 예측 응답을 전체 파장 시뮬레이션 결과와 비교하여 모델의 유효성을 검증하고 장치 효율 향상 정도를 측정한다.

실험 결과

연구 질문

• RQ1 비균일한 이웃 요소의 영향을 받는 메타원자의 전자기 응답을 딥 러닝 모델이 얼마나 정확하게 예측할 수 있는가?
• RQ2 상호 커플링을 고려할 경우, 빔 디플렉터와 메탈렌즈와 같은 메타표면 장치의 효율성이 얼마나 향상되는가?
• RQ3 재훈련 없이도 다양한 재료, 기하학적 형태 및 배열 구성에 대해 제안된 딥 러닝 모델이 일반화 가능한가?
• RQ4 상호 커플링을 忽시함으로써 발생하는 설계 오류가 메타표면 성능에 미치는 영향은 무엇인가?
• RQ5 모델의 예측 속도가 역설계 워크플로우에 실질적으로 통합되는 데 어떤 영향을 미치는가?

주요 결과

• 제안된 CNN 모델은 메타원자의 위상 및 세기 응답을 1ms 이내로 예측하여 빠른 설계 반복을 가능하게 한다.
• 기존의 주기적 설계 접근 방식에 비해 빔 디플렉터와 메탈렌즈 양쪽 모두에서 효율성 향상이 뚜렷하게 나타났다.
• 상호 커플링으로 인한 성능 열화 현상은 특정 재료나 기하학적 형태에 국한되지 않음을 확인하여 이 방법의 광범위한 적용 가능성을 뒷받침한다.
• 재훈련 없이도 다양한 메타표면 설계, 다양한 재료 및 구조적 구성에 대해 모델이 일반화됨을 입증했다.
• 설계 오류와 성능 열화 사이의 상관관계를 정량적으로 설명하고 모델 예측을 통해 이를 보완함을 확인했다.
• 최적화 알고리즘과 모델을 통합함으로써 기존 표준 설계 규칙로는 도달할 수 없었던 고효율 메타표면 구성을 발견할 수 있었다.