[논문 리뷰] Multiplexed Supercell Metasurface Design and Optimization with Tandem Residual Networks

Christopher Yeung, Ju-Ming Tsai외 6명|arXiv (Cornell University)|2020. 08. 02.

Metamaterials and Metasurfaces Applications참고 문헌 63인용 수 92

한 줄 요약

이 논문은 중간 및 장파적외선 영역에서 다중 공진흡수체, 광역대, 협역대 및 다중공진 흡수체를 고정밀도로 생성할 수 있도록, 100개 이상의 하위 요소를 갖는 멀티plexed 슈퍼셀 메타표면의 역설계를 위한 타 tandem 잔차 딥 러닝 프레임워크를 제안한다. 설계 공간이 3조 개 이상의 구성으로 확장된 상황에서 단지 3,600회 분의 전체파 전자기 시뮬레이션만을 사용하여, 강한 모드 결합 및 공간 배치 효과를 고려한 정밀한 스펙트럼 타겟팅을 달성한다.

ABSTRACT

Complex nanophotonic structures hold the potential to deliver exquisitely tailored optical responses for a range of applications. Metal-insulator-metal (MIM) metasurfaces arranged in supercells, for instance, can be tailored by geometry and material choice to exhibit a variety of absorption properties and resonant wavelengths. With this flexibility, however, comes a vast space of design possibilities that classical design paradigms struggle to effectively navigate. To overcome this challenge, here we demonstrate a tandem residual network approach to efficiently generate multiplexed supercells through inverse design. By using a training dataset with several thousand full-wave electromagnetic simulations in a design space of over three trillion possible designs, the deep learning model can accurately generate a wide range of complex supercell designs given a spectral target. Beyond inverse design, the presented approach can also be used to explore the structure-property relationships of broadband absorption and emission in such supercell configurations. Thus, this study demonstrates the feasibility of high-dimensional supercell inverse design with deep neural networks that is applicable to complex nanophotonic structures composed of multiple subunit elements that may exhibit coupling.

연구 동기 및 목표

• 강한 요소 간 결합이 존재하는 멀티플렉스드 슈퍼셀 메타표면의 지수함수적으로 증가하는 설계 공간을 탐색하는 데 도전하는 것.
• 복잡한 나노광학 구조물의 딥 러닝 기반 역설계에서의 비유일성 및 기울기 소실 문제를 극복하는 것.
• 100개 이상의 고유한 공진기 요소를 갖는 슈퍼셀 메타표면의 고정밀도, 데이터 효율적인 역설계를 가능하게 하는 것.
• 훈련된 신경망으로부터 직접 흡수율, 방출율 및 대역폭 간 상충 관계와 같은 구조-성능 관계를 발견하는 것.
• 단일 딥 러닝 모델이 복잡한 슈퍼셀 구성에서 기하학적 파rameter와 최적의 공간 배치를 동시에 생성할 수 있음을 보여주는 것.

제안 방법

• 비유일성을 해결하기 위해 역모델링 네트워크와 정방향 모델링 네트워크를 조합한 타 tandem 잔차 네트워크 아키텍처를 사용한다.
• 고차원 설계 공간을 다루고 기울기 소실 문제를 완화하기 위해 1차원 컨볼루션 레이어와 잔차 블록을 활용한다.
• 역모델링 네트워크는 목표 흡수 스펙트럼을 입력으로 받아 공진기의 기하학적 파rameter(폭, 길이)와 공간 배열을 출력한다.
• 정방향 네트워크는 전체파 전자기 응답을 시뮬레이션하여 예측값을 검증하고 피드백 및 개선을 가능하게 한다.
• 훈련 데이터셋은 설계 공간이 3조 개 이상 가능한 구성에서 3,600회의 전체파 시뮬레이션으로 구성되며, 교차형 폭은 고정(500 nm), 길이는 변동 가능(1.4–3 µm)하다.
• 구조-성능 관계는 정방향 네트워크를 쿼리하여 목표 대역폭과 온도에 따른 열방출율 및 최대 흡수율 등의 지표를 함수로 계산함으로써 탐색된다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 MIM 메타표면의 슈퍼셀 구성이 3조 개 이상 가능한 고차원 설계 공간을 효과적으로 탐색할 수 있는가?
• RQ2 강한 결합이 존재하는 멀티플렉스드 슈퍼셀의 역설계에서 타 tandem 잔차 네트워크 아키텍처가 비유일성 및 기울기 소실 문제를 극복할 수 있는가?
• RQ3 단일 훈련된 모델이 다수의 고유한 공진기 요소와 최적의 공간 배열을 갖는 정확한 복잡한 슈퍼셀 설계를 얼마나 정확하게 생성할 수 있는가?
• RQ4 훈련된 모델을 사용하여 추가 시뮬레이션 없이도 방출율 및 대역폭 상충 관계와 같은 구조-성능 관계를 신속하게 밝혀낼 수 있는가?
• RQ5 잔차 기반 아키텍처의 성능는 전통적인 완전 연결 타 tandem 네트워크에 비해 메타표면 역설계에서 어떻게 비교되는가?

주요 결과

• 타 tandem 잔차 네트워크는 단지 3,600회의 훈련 시뮬레이션만으로도 협역대, 다중공진 및 광역대 흡수 응답을 갖는 슈퍼셀 메타표면을 성공적으로 설계하였다.
• 기하학적 파rameter와 공간 배열 예측에 있어 높은 정확도를 달성하였으며, 예측된 흡수 스펙트럼이 전체파 시뮬레이션 결과(참값)와 매우 유사하게 일치하였다.
• 목표 대역폭(FWHM)이 증가함에 따라 최대 흡수율은 감소하고, 목표 스펙트럼과 예측 응답 간 평균 제곱오차(MSE)는 증가하는 경향을 보였다.
• 통합 법선입사 방출율은 더 넓은 목표 대역폭을 가지면 증가하며, 이는 피크 흡수율 감소를 상쇄하는 경향이 있으며, 이 관계는 블랙바디 스펙트럼 복사 강도의 온도 의존성으로 인해 온도에 따라 달라진다.
• 정방향 네트워크를 통해 빠른 파라미터 스윕이 가능하여, 방출율 및 흡수율 추세 분석을 1분 이내로 완료하였으며, 이는 전체파 전자기 시뮬레이션의 빠른 대체 수단으로서의 모델 유용성을 입증한다.
• 이 프레임워크는 복잡한 설계 공간의 효율적 탐색을 가능하게 하며, 훈련된 파라미터 범위 내에서 스펙트럼 응답, 기하학적 파rameter 및 열방출 성질 간의 비선형적 의존관계를 드러낸다.