[논문 리뷰] Deep Learning for Design and Retrieval of Nano-photonic Structures

Itzik Malkiel, Achiya Nagler외 4명|arXiv (Cornell University)|2017. 02. 25.

Plasmonic and Surface Plasmon Research참고 문헌 29인용 수 18

한 줄 요약

이 논문은 원거리장 광학 응답에서 나노광학 구조물의 기하학적 형상을 직접 예측하는 딥러닝 프레임워크를 소개하며, 역설계 문제를 효율적으로 해결한다. 유한차분시간영역(FDTD) 방법을 사용해 시뮬레이션한 맥스웰 방정식 해를 기반으로 컨볼루션 신경망을 훈련시킴으로써, 복잡한 마이크로미터 이하의 구조물을 몇 초 내에 고정밀도로 재구성할 수 있으며, 반복 최적화 과정을 생략하고 빠른 온디맨드 설계를 가능하게 하여 센싱 및 영상 분야의 응용에 기여한다.

ABSTRACT

Our visual perception of our surroundings is ultimately limited by the diffraction limit, which stipulates that optical information smaller than roughly half the illumination wavelength is not retrievable. Over the past decades, many breakthroughs have led to unprecedented imaging capabilities beyond the diffraction-limit, with applications in biology and nanotechnology. In this context, nano-photonics has revolutionized the field of optics in recent years by enabling the manipulation of light-matter interaction with subwavelength structures. However, despite the many advances in this field, its impact and penetration in our daily life has been hindered by a convoluted and iterative process, cycling through modeling, nanofabrication and nano-characterization. The fundamental reason is the fact that not only the prediction of the optical response is very time consuming and requires solving Maxwell's equations with dedicated numerical packages. But, more significantly, the inverse problem, i.e. designing a nanostructure with an on-demand optical response, is currently a prohibitive task even with the most advanced numerical tools due to the high non-linearity of the problem. Here, we harness the power of Deep Learning, a new path in modern machine learning, and show its ability to predict the geometry of nanostructures based solely on their far-field response. This approach also addresses in a direct way the currently inaccessible inverse problem breaking the ground for on-demand design of optical response with applications such as sensing, imaging and also for plasmon's mediated cancer thermotherapy.

연구 동기 및 목표

• 원거리장 응답을 갖는 나노광학 구조물의 형상을 설계하는 데 있어 오랜 기간 동안 해결되지 않은 역설계 문제에 대응하기 위해.
• 맥스웰 방정식의 반복 최적화 및 시간이 많이 소요되는 수치적 해법을 피하기 위해.
• 딥러닝을 활용해 원거리 광학 응답에서 나노구조물 기하학으로의 직접적인 종단 간 전이 맵핑을 구현하기 위해.
• 느린 시뮬레이션 루프를 빠른 추론으로 대체하여 광학 장치의 설계 주기를 단축하기 위해.
• 생물 센싱 및 열치료와 같은 특정 광학 기능을 요구하는 응용 분야를 위한 새로운 길을 열기 위해.

제안 방법

• 원거리 광학 응답 스펙트럼에서 해당하는 나노구조물 기하학으로의 매핑을 수행하는 딥 컨볼루션 신경망(CNN)을 훈련한다.
• 훈련 데이터는 유한차분시간영역(FDTD) 방법을 사용해 다양한 나노구조물의 전자기적 응답을 시뮬레이션하여 생성한다.
• 신경망 아키텍처는 광학 응답과 기하학적 파라미터 사이의 매우 비선형적 관계를 학습할 수 있도록 설계된다.
• 맥스웰 방정식의 해를 기반으로 유도된 방대한 구조-응답 쌍 데이터셋을 사용해 종단 간(end-to-end)으로 모델을 훈련시킨다.
• 추론 과정은 실시간으로 수행되어 주어진 광학 서명에서 나노구조물 기하학을 신속하게 예측할 수 있다.
• 이러한 접근은 복잡한 마이크로미터 이하의 특징을 지닌 주기적 및 비주기적 나노구조물에 대해 검증되었다.

실험 결과

연구 질문

• RQ1 딥러닝이 원거리 광학 응답에서 나노구조물 기하학으로의 역매핑을 효과적으로 학습할 수 있는가?
• RQ2 딥 네트워크가 복잡한 비주기적 기하학을 지닌 다양한 나노광학 구조물에 대해 일반화할 수 있는가?
• RQ3 기존의 최적화 기반 역설계 방법과 비교해 딥러닝 모델의 성능은 속도와 정확도 측면에서 어떻게 다른가?
• RQ4 제한된 광학 응답 데이터에서 복잡한 마이크로미터 이하의 특징을 얼마나 잘 재구성할 수 있는가?
• RQ5 이 프레임워크는 특정 광학 기능을 갖춘 나노구조물의 온디맨드 설계를 가능하게 확장할 수 있는가?

주요 결과

• 딥러닝 모델은 원거리 광학 응답에서 나노구조물 기하학을 고정밀도로 재구성하며, 예측 시간은 수초의 주문이다.
• 이 방법은 주기적 및 비주기적 나노광학 구조물 전반에 걸쳐 일반화 성능을 보이며, 복잡하고 비대칭적인 설계에도 성공적으로 적용된다.
• 기존의 전통적 역설계 방법에 비해 계산 효율성이 크게 향상되어 설계 시간을 수 시간에서 수 밀리초로 단축시킨다.
• 반복 최적화 과정을 생략함으로써 기울기 기반 해법이 필요 없이 직접적인 역설계가 가능하다.
• 입력 광학 응답에 노이즈가 존재하더라도 모델이 강건하게 작동함을 보이며, 실험적 환경에서의 실용성을 시사한다.
• 결과적으로 딥러닝이 광학 응답과 나노구조물 기하학 사이의 복잡한 비선형 관계를 효과적으로 학습할 수 있음을 나타낸다.