[논문 리뷰] Designing nanophotonic structures using conditional-deep convolutional generative adversarial networks

Sunae So, Junsuk Rho|arXiv (Cornell University)|2019. 03. 20.

Metamaterials and Metasurfaces Applications참고 문헌 12인용 수 8

한 줄 요약

이 논문은 정의된 기하 구조 제약 조건을 거쳐가지 않고도 원하는 반사 스펙트럼에서 직접 임의의 나노광학 안테나 구조를 설계하기 위해 조건부 딥 컨volution 제너레이티브 적대 신경망(cDCGAN)을 제안한다. 이 방법은 64×64 픽셀의 구조 설계를 생성하여 목표 광학 응답을 고정밀도로 구현하며, 반복적 시뮬레이션 없이 안정적이고 고품질의 역설계를 실현한다.

ABSTRACT

Data-driven design approaches based on deep-learning have been introduced in nanophotonics to reduce time-consuming iterative simulations which have been a major challenge. Here, we report the first use of conditional deep convolutional generative adversarial networks to design nanophotonic antennae that are not constrained to a predefined shape. For given input reflection spectra, the network generates desirable designs in the form of images; this form allows suggestions of new structures that cannot be represented by structural parameters. Simulation results obtained from the generated designs agreed well with the input reflection spectrum. This method opens new avenues towards the development of nanophotonics by providing a fast and convenient approach to design complex nanophotonic structures that have desired optical properties.

연구 동기 및 목표

• 기존의 나노광학 설계 방식이 반복적 시뮬레이션과 정의된 기하 형태에 의존하는 데서 비롯하는 한계를 극복하기 위해.
• H-안테나나 다층 구조와 같은 고정된 형태를 초월해 새로운, 임의의 구조를 가진 나노광학 안테나를 발견할 수 있도록 하기 위해.
• 광학 스펙트럼에서 복잡한 구조 설계로의 매핑을 가능하게 하는 안정적인 데이터 기반의 제너레이티브 모델을 개발하기 위해.
• cDCGAN이 목표 반사 스펙트럼에 대해 고정밀도로 현실적이며 기능적인 나노광학 구조를 생성할 수 있음을 입증하기 위해.

제안 방법

• 조건부 딥 컨볼루션 제너레이티브 적대 신경망(cDCGAN)이 입력 반사 스펙트럼에서 64×64 픽셀의 구조 이미지를 생성하도록 훈련되며, 각 픽셀은 은 또는 공기의 물질을 나타낸다.
• 생성자 네트워크는 잠재 벡터를 전체 해상도의 구조 설계로 확대하기 위해 역컨볼루션 레이어를 사용하고, 판별자 네트워크는 표준 컨볼루션 레이어를 사용하여 실제 구조와 생성된 구조를 구분한다.
• 모델은 생성자와 판별자 성능을 최적화하기 위해 이진 교차 엔트로피 손실(로그릿 사용, BCE Loss)을 사용하며, 적대적 손실은 하이퍼파rameter ρ를 통해 가중된다.
• 250–500 THz 범위의 200개 스펙트럼 포인트에서 FDTD 시뮬레이션을 통해 10,150개의 은 나노광학 안테나 데이터셋(6가지 형태 포함)을 생성하였다.
• 배치 크기가 64인 미니배치 경량 최적화를 사용하며, 과적합 방지를 위해 전체 데이터의 20%를 검증용으로 사용하고 최적 성능을 보인 가중치를 선택한다.
• 물리적 영역은 500 nm × 500 nm로 고정되며, 주기적 경계 조건을 적용하고, 모든 시뮬레이션은 y-편광된 수직 입사광을 가정한다.

실험 결과

연구 질문

• RQ1 cDCGAN 모델은 기하 구조 제약 조건 없이 목표 반사 스펙트럼에서 새로운 임의의 나노광학 안테나 구조를 직접 생성할 수 있는가?
• RQ2 나노광학 설계 분야에서 기존의 cGAN에 비해 cDCGAN 아키텍처는 훈련 안정성과 생성 품질 측면에서 어떻게 비교되는가?
• RQ3 생성된 설계가 FDTD 시뮬레이션을 통해 얼마나 정확하게 목표 광학 응답을 재현하는가?
• RQ4 실제로 현실적이며 정확한 나노광학 구조를 생성하기 위해 적절한 적대적 손실과 재구성 손실 간의 최적 균형은 무엇인가?

주요 결과

• cDCGAN는 최종 검증 손실이 5.564×10⁻³으로, 기존 cGAN의 6.035×10⁻³보다 유의미하게 낮아 훈련 안정성과 성능 향상을 보여주었다.
• 200 에포크 후 cDCGAN는 현실적이며 구조적으로 일관된 이미지를 생성한 반면, cGAN는 800 에포크가 지난 후에도 노이즈가 심한 출력을 내어, 수렴 성능 향상이 확인되었다.
• ρ = 0.5일 경우, ρ = 0 또는 ρ = 1보다 더 진정성 있고 구조적으로 통일된 설계를 생성하였으며, 이는 효과적인 판별자 피드백 덕분이었다.
• FDTD를 통해 시뮬레이션된 생성된 설계는 입력 반사 스펙트럼과 매우 유사하게 일치하여, 고정밀도의 역설계 성능을 입증하였다.
• 이 방법은 설계 공간에서 2⁴⁰⁹⁶개의 자유도를 제공하며, 정의된 기하 형태를 초월한 탐색이 가능하다.
• 모델은 원래 훈련 세트에 포함되지 않은 새로운 비전통적 안테나 형태를 성공적으로 생성하여, 보간을 초월한 제너레이티브 능력을 입증하였다.