[논문 리뷰] Deep Neural Network Inverse Design of Integrated Nanophotonic Devices

Mohammad H. Tahersima, Keisuke Kojima외 5명|arXiv (Cornell University)|2018. 09. 10.

Photonic and Optical Devices참고 문헌 35인용 수 17

한 줄 요약

이 논문은 통합 나노포토닉 장치를 위한 딥 네ural 네트워크(DNN) 기반의 역설계 프레임워크를 제안하며, 사용자가 정의한 분할 비율을 가진 고속, 1초 미만의 복합 실리콘 온 인슐레이터(SOI) 1×2 파wr 스플리터를 생성할 수 있다. 이 방법은 광역(1450–1650 nm)에서 >90% 전송 효율성과 반사 <−20 dB을 달성하며, 한 번의 역설계 프레임워크에서 고효율, 저반사, 임의의 분할 비율을 동시에 최적화한 최초의 DNN 접근법임을 입증한다.

ABSTRACT

Predicting physical response of an artificially structured material is of particular interest for scientific and engineering applications. Here we use deep learning to predict optical response of artificially engineered nanophotonic devices. In addition to predicting forward approximation of transmission response for any given topology, this approach allows us to inversely approximate designs for a targeted optical response. Our Deep Neural Network (DNN) could design compact (2.6x2.6 μm2) silicon-on-insulator (SOI)-based 1 X 2 power splitters with various target splitting ratios in a fraction of a second. This model is trained to minimize the reflection (smaller than 20 dB) while achieving maximum transmission efficiency (above 90%) and target splitting specifications. This approach paves the way for rapid design of integrated photonic components relying on complex nanostructures.

연구 동기 및 목표

• 기존의 FDTD 시뮬레이션 방식이 복잡한 나노포토닉 장치를 최적화하는 데 있어 계산적 병목 현상이 발생하고, 대규모 설계 공간에서는 시간이 오래 걸려 실용적이지 않다는 문제를 해결하기 위해.
• 나노포토닉 장치 응답에 대한 정방향 및 역방향 모델링을 동시에 수행할 수 있는 딥 러닝 프레임워크를 개발하여, 특정 사양에 따라 빠른 설계를 가능하게 하기 위해.
• 한 번의 역설계 과정에서 고전송 효율성(>90%), 저반사성(<−20 dB), 그리고 임의의 분할 비율을 동시에 최적화하기 위해.
• 단지 약 20,000회의 FDTD 시뮬레이션을 통해 2^400가지 조합이 가능한 광범위한 설계 공간에서 일반화가 가능하며, 설계 시간을 시간에서 밀리초 수준으로 단축시킬 수 있음을 입증하기 위해.

제안 방법

• 잔차 신경망(ResNet) 아키텍처를 사용하여, 이산 구멍 위치 행렬(장치 구조)을 스펙트럼 전송 및 반사 응답(정방향 모델)으로 매핑하도록 훈련한다.
• 역설계 모델은 목표로 하는 스펙트럼 응답(분할 비율 설정 및 저반사성)을 이산 구멍 위치 벡터(장치 구조)로 매핑하도록 훈련한다.
• 역모델은 이항분포 분류기(Bernoulli distribution classifier)를 사용하여 구멍 위치(0 또는 1)를 예측하고, 예측 후 정수화(quantization)를 적용하여 이진 설계를 생성한다.
• 훈련 데이터는 Lumerical의 FDTD 패키지를 사용한 3차원 FDTD 시뮬레이션을 통해 생성되며, Si와 SiO2의 분산 굴절률을 1.45–1.65 µm 범위에서 고려한다.
• 파이썬의 텐서플로우를 사용하여 네트워크를 훈련시키며, 다수의 에포크 동안 손실를 최소화하여 이진 해(0 또는 1)로 수렴하도록 한다.
• 검증된 설계는 독립적인 FDTD 시뮬레이션을 통해 재검증되며, 1550 nm에서 전기장 전파 특성을 포함한 성능을 확인한다.

실험 결과

연구 질문

• RQ1 딥 네럴 네트워크는 기하학적 구조에서 나노포토닉 장치의 광학적 응답을 정확하게 예측할 수 있는가?
• RQ2 DNN는 사용자가 정의한 광학적 응답(임의의 분할 비율 및 저반사성 포함)을 만족하는 장치 구조를 생성할 수 있는 역설계를 수행할 수 있는가?
• RQ3 단지 약 20,000회의 훈련 시뮬레이션으로 2^400가지 조합이 가능한 광범위한 설계 공간에서 DNN가 일반화될 수 있는가?
• RQ4 역설계 프레임워크는 동시에 고전송(>90%), 저반사(<−20 dB), 광역(1450–1650 nm) 작동을 달성할 수 있는가?

주요 결과

• 모든 테스트된 분할 비율(1:1, 1:2, 1:3)에서 DNN가 90%를 초과하는 전송 효율성을 달성했으며, 현재까지 보고된 바 중 가장 높은 효율성을 기록했다.
• 1:2 스플리터를 제외한 모든 경우에서 반사가 −20 dB 이하로 감소하여, 설계에서 뒷편 반사의 효과적인 억제를 입증했다.
• 역설계 과정은 1초 미만으로 유효하고 최적화된 장치 구조를 생성하여, 특정 사양에 따른 빠른 상호작용 설계를 가능하게 했다.
• 1450–1650 nm 범위에서 광역 작동이 가능했으며, 모든 목표 분할 비율에서 일관된 성능을 보여, 파장 변화에 대한 강건성을 입증했다.
• 단지 약 20,000회의 FDTD 시뮬레이션으로 전체 설계 공간(2^400 조합)에서 일반화가 가능했으며, 체계적인 수치 최적화의 필요성을 크게 감소시켰다.