[논문 리뷰] Deep learning estimation of complex reverberant wave fields by a programmable metasurface

Benjamin W. Frazier, Thomas M. Antonsen외 2명|arXiv (Cornell University)|2021. 03. 24.

Metamaterials and Metasurfaces Applications참고 문헌 116인용 수 19

한 줄 요약

이 논문은 복잡하고 반사가 강한 전자기 환경에서 실시간 웨이브프론트 복원 및 제어를 가능하게 하는 딥러닝 프레임워크를 제안한다. 이는 바이너리 프로그래밍 가능한 메타표면을 사용한다. 혼돈 상태의 마이크로파 캐비티에서 측정한 산란 응답을 기반으로 컨volutional 신경망(CNN)을 훈련시킴으로써, 훈련 데이터에 포함되지 않은 구성에 대해서도 원하는 파동장 분포를 위한 메타표면 설정을 99% 이상의 정확도로 예측한다. 이는 메타표면 커버리지가 1.5%에 불과하고, 최소한의 훈련 데이터만으로도 가능하다.

ABSTRACT

Electromagnetic environments are becoming increasingly complex and congested, creating a growing challenge for systems that rely on electromagnetic waves for communication, sensing, or imaging, particularly in reverberating environments. The use of programmable metasurfaces provides a potential means of directing waves to optimize wireless channels on-demand, ensuring reliable operation and protecting sensitive electronic components. Here we introduce a technique that combines a deep learning network with a binary programmable metasurface to shape waves in complex reverberant electromagnetic environments, in particular ones where there is no direct line of sight. We applied this technique for wavefront reconstruction and control, and accurately determined metasurface configurations based on measured system scattering responses in a chaotic microwave cavity. The state of the metasurface that realizes desired electromagnetic wave field distribution properties was successfully determined even in cases previously unseen by the deep learning algorithm. Our technique is enabled by the reverberant nature of the cavity, and is effective with a metasurface that covers only $\sim$1.5\% of the total cavity surface area.

연구 동기 및 목표

• 기존 최적화 방법이 느리고 신뢰성이 떨어지는 복잡하고 반사가 강한 전자기 환경에서 웨이브프론트 제어 문제를 해결하기 위해.
• 측정된 산란 응답에서 메타표면 설정을 예측하는 데이터 효율적인 딥러닝 기반의 역매핑 기법을 개발하기 위해.
• 작은 프로그래밍 가능한 메타표면을 사용하여 비선형 시선 조건에서 실시간, 즉각적인 파동 조작을 가능하게 하기 위해.
• 혼란 상태의 마이크로파 캐비티 환경에서 훈련 중에 보지 못한 메타표면 구성에 대해 모델의 강건한 일반화 능력을 입증하기 위해.

제안 방법

• 혼란 상태의 마이크로파 캐비티에 바이너리 프로그래밍 가능한 메타표면을 배치하여 전자기 파동장을 조절한다.
• 다양한 메타표면 구성에 대해 3–4 GHz 대역에서 산란 응답(S21 파arameter)을 측정한다.
• 측정된 S21 응답을 해당 메타표면 명령 세트로 매핑하기 위해 컨volutional 신경망(CNN)을 훈련시킨다.
• 차원을 줄이고 일반화 능력을 향상시키기 위해, 바이닝 전략(예: 3×3 또는 5×4)을 사용하여 훈련한다.
• 모델은 훈련 중에 보지 못한 구성에서 검증하고, 시간이 지남에 따라 안정성과 일반화 능력을 평가한다.
• 캐비티의 반사 특성을 활용하여 메타표면 커버리지가 최소화된 상태에서도 파동 제어 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 복잡하고 반사가 강한 캐비티에서 산란 측정값을 기반으로 딥러닝 모델이 메타표면 설정을 정확하게 복원할 수 있는가?
• RQ2 딥러닝 모델은 훈련 중에 보지 못한 메타표면 구성에 대해 얼마나 잘 일반화되는가?
• RQ3 반사 환경에서 효과적인 웨이브프론트 제어를 위해 필요한 최소한의 메타표면 커버리지 비율은 얼마인가?
• RQ4 환경 조건이 변화하거나 시간이 지남에 따라 딥러닝 모델의 성능은 어떻게 저하되는가?
• RQ5 동적인 전자기 환경에서 실시간, 즉각적인 파동 조작을 위해 모델을 적응시킬 수 있는가?

주요 결과

• 딥러닝 모델은 원하는 파동장 분포를 위한 메타표면 설정 예측에서 99% 이상의 정확도를 달성했다.
• 훈련 데이터 외의 구성에 대해서도 효과적인 일반화를 보이며, 훈련 데이터를 초월한 강건성을 입증했다.
• 메타표면 커버리지가 캐비티 표면적의 약 1.5%에 불과하여 하드웨어 면적을 크게 줄였다.
• 9일간의 배포 후에도 성능이 높게 유지되었으며, 온라인 검증(2000개 테스트 세트 기준)에서 65.5%의 정확도를 기록하여 시간 경과에 따른 안정성을 입증했다.
• 반사 시간이 짧아질수록 예측된 S21 응답과 실제 응답 간 상관계수가 감소하여, 고손실 환경에서는 모델 성능이 저하됨을 나타냈다.
• 복소수 값 레이어와 Terrapin Modules의 사용이, 특히 데이터가 적은 환경에서 훈련 수렴과 일반화 능력을 향상시켰다.