[논문 리뷰] Deep Inverse Design of Reconfigurable Metasurfaces for Future Communications

John A. Hodge, Kumar Vijay Mishra외 1명|arXiv (Cornell University)|2021. 01. 22.

Metamaterials and Metasurfaces Applications참고 문헌 14인용 수 10

한 줄 요약

이 논문은 효율적이고 물리학에 기반한 맞춤형 전자기(EM) 응답 생성을 가능하게 하기 위해 재구성 가능한 메타표면(RIS)을 위한 딥러닝(DL) 기반의 역설계 프레임워크를 제안한다. 생성적 적대 신경망(GANs)과 물리학 기반 학습을 활용하여 전체 파동 시뮬레이션과 같은 계산 비용이 큰 과정을 회피함으로써, 목표 지향적 빔형성과 파면 제어를 위한 RIS 유닛셀에 대해 빠르고 전역 최적화를 달성한다.

ABSTRACT

Reconfigurable intelligent surfaces (RIS) have recently received significant attention as building blocks for smart radio environments and adaptable wireless channels. By altering the space- and time-varying electromagnetic (EM) properties, the RIS transforms the inherently stochastic nature of the wireless environment into a programmable propagation channel. Conventionally, designing RIS to yield the desired EM response requires trial-and-error by iteratively investigating a large possibility of various geometries and materials through thousands of full-wave EM simulations. In this context, deep learning (DL) techniques are proving critical in reducing the computational cost and time of RIS inverse design. Instead of explicitly solving Maxwell's equations, DL models learn physics-based relationships through supervised training data. Further, generative adversarial networks are shown to synthesize novel RIS designs not previously seen in the literature. This article provides a synopsis of DL techniques for inverse RIS design and optimization to yield targeted EM response necessary for future wireless networks.

연구 동기 및 목표

• 전체 파동 전자기(EM) 시뮬레이션을 사용하는 기존 RIS 설계의 높은 계산 비용과 반복적인 성격을 해결한다.
• 원하는 EM 응답을 위해 메타표면 기하학 및 재료를 최적화하는 데 있어 시도 오차 접근 방식의 한계를 극복한다.
• 딥러닝을 통해 암묵적인 EM 물리 법칙을 학습함으로써 데이터 효율적이며 빠른 RIS의 역설계를 가능하게 한다.
• 기존 문헌에 기록되지 않은 새로운 비직관적인 RIS 구조를 생성할 수 있는 생성 모델을 개발한다.
• 딥러닝 아키텍처에 물리학 기반 제약 조건을 통합하여 일반화 능력을 향상시키고 대규모 시뮬레이션 데이터셋에 대한 의존도를 줄인다.

제안 방법

• 생성적 적대 신경망(GANs)을 활용해 목표 EM 응답에서 RIS 유닛셀 기하학으로의 매핑을 학습함으로써 종단 간 역설계를 가능하게 한다.
• 전역 기하구조 최적화 네트워크(GLOnets)를 사용하여 레이턴트 분포를 최적의 RIS 설계로 반복적으로 이동시킴으로써 대규모 레이블링 데이터셋이 필요 없이 물리학 기반 최적화를 수행한다.
• 위상 최적화 메타그레이팅 이미지에 대해 딥 생성 모델(DGMs)을 훈련하여 효율적이고 광대역, 넓은 각도의 산란 구조를 합성한다.
• 전체 파동 EM 시뮬레이션 횟수를 줄이기 위해 분석적 RF 회로 모델과 같은 물리학 기반 분석 모델을 사전 조건으로 통합한다.
• 근접장 결합을 위해 그래프, 시간에 따라 변화하는 응답을 위해 시퀀스와 같은 대체 데이터 표현 방식을 고려하고, 이를 그래프 및 순환 신경망을 통해 처리한다.
• 이식 학습과 딥 Q넷(DQNs)을 적용하여 다양한 RIS 설계 및 주파수 대역 간의 적응을 가속화한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 맥스웰 방정식을 명시적으로 풀지 않고도 목표 EM 응답과 RIS 유닛셀 기하학 사이의 역관계를 효과적으로 학습할 수 있는가?
• RQ2 GAN과 GLOnets와 같은 생성 모델은 기존의 표준 기하형 구조를 초월해 새로운 고성능 RIS 설계를 발견하는 데 어떻게 활용될 수 있는가?
• RQ3 물리학 기반 딥러닝은 RIS 설계에서 대규모 전체 파동 EM 시뮬레이션 데이터셋의 필요성을 어느 정도 줄일 수 있는가?
• RQ4 그래프, 시퀀스와 같은 대체 데이터 표현 방식은 동적 또는 결합된 RIS 시스템에서 복잡한 EM 상호작용을 모델링하는 데 어떻게 기여하는가?
• RQ5 이식 학습 및 강화 학습 기법은 다층 또는 다기능 RIS 아키텍처의 설계를 가속화하는 데 기여할 수 있는가?

주요 결과

• 생성적 적대 신경망(GANs)은 이전에 문헌에 보고되지 않은 새로운 RIS 설계를 성공적으로 학습하여 기존에 다뤄지지 않은 설계 공간 탐색을 가능하게 하였다.
• 전역 기하구조 최적화 네트워크(GLOnets)는 최적 해 주변에 좁은 피크를 가진 분포를 학습함으로써 메타표면 설계에서 전역 최적해에 도달하는 데 있어 계산 효율성과 강건성을 입증하였다.
• 물리학 기반 GAN과 하이브리드 모델은 분석적 RF 회로 모델을 사전 조건으로 통합함으로써 전체 파동 EM 시뮬레이션 횟수를 감소시켜 훈련 효율성을 향상시켰다.
• GLOnets는 광역 주파수 및 각도 응답을 갖춘 위상 최적화 메타그레이팅에서 높은 성능을 보였지만, 엄격한 성능 목표를 충족시키기 위해 추가 보완이 필요했다.
• 그래프 신경망(GNNs)과 순환 신경망(RNNs)을 통해 처리된 그래프 및 시퀀스 데이터 표현은 결합되거나 시간에 따라 변화하는 RIS 시스템에서의 복잡한 EM 상호작용을 모델링하는 데 유망한 성과를 보였다.
• 이식 학습과 딥 Q넷(DQNs)은 관련된 RIS 설계 작업 간의 학습을 가속화하는 데 성공적으로 적용되어 다층적, 다기능적 RIS 최적화의 가능성을 시사하였다.