[논문 리뷰] Physics-Informed Deep Neural Network Design of Reactively Loaded Metasurfaces

Malik Almunif, Jade Le외 1명|arXiv (Cornell University)|2026. 03. 16.

Metamaterials and Metasurfaces Applications인용 수 0

한 줄 요약

본 논문은 목표 원거리 패턴으로부터 메타표면의 반응적 로드 분포를 함께 학습하는 tandem 딥 뉴럴 네트워크를 제시하고, 미분가능한 마이크로파 네트워크 순전파 해석기를 사용해 방사 특성을 신속히 예측하고 학습을 안내한다.

ABSTRACT

A tandem deep neural network approach is presented for the inverse design of reactively loaded metasurfaces with prescribed far-field radiation characteristics. The proposed approach integrates a deep neural network (DNN) with a physics-based microwave network forward solver. The DNN maps target far-field patterns to distributions of reactive loads across the metasurface unit cells. The predicted distribution of reactive loads is evaluated by the forward solver to compute the resulting radiation pattern and guide the learning process through a cosine-similarity loss function. The forward solver enables a fast evaluation of the metasurface's electromagnetic response, significantly reducing the computational cost required for training. The proposed approach is applied to a metasurface with aperture-coupled unit cells loaded with reactances. Several design examples are presented to demonstrate the accurate synthesis of shaped and steered radiation patterns. Full-wave electromagnetic simulations are performed to validate the accuracy of the designed beamforming metasurfaces.

연구 동기 및 목표

• 모양이 있고 빔을 조향하는 반응적으로 로드된 메타표면의 역설계를 동기화한다.
• CNN 역방향 네트워크와 물리 기반 순방향 해석기를 결합한 Tandem 아키텍처를 개발한다.
• 전진 평가를 위한 마이크로파 네트워크 해석기를 사용하여 학습 데이터 및 계산 비용을 줄인다.
• 예측된 반응적 로드가 실현 가능하고 실용적 범위 내의 커패시티브 로드로 귀결되도록 보장한다.

제안 방법

• 잔차 블록이 있는 CNN을 사용해 목표 원거리 패턴을 15x15의 반응적 로드 분포로 매핑한다.
• 예측된 로드로부터 결과 원거리 패턴을 계산하기 위해 마이크로파 네트워크 순전파 해석기를 사용한다(Equations 1–4).
• 목표와 예측된 원거리 패턴 사이의 코사인 유사도 손실과 S11에 대한 반사 제약을 포함한 엔드 투 엔드 학습.
• 배열 이론을 통해 무작위로 생성된 원거리 패턴으로 학습하고 데이터 증대를 통해 다양성을 증가시킨다.
• 네트워크 방정식을 통해 역전파를 가능하게 하려 TensorFlow에서 미분 가능 순전파를 구현한다.

실험 결과

연구 질문

• RQ1 t tandem CNN–microwave-network 프레임워크가 목표 원거리 패턴에 대해 반응적 로드 분포를 정확히 합성할 수 있는가?
• RQ2 학습 중 물리 기반 순방향 해석기를 통합하는 것이 대규모 쌍 데이터셋 필요성을 줄이고 수렴 속도를 높이는가?
• RQ3 설계된 메타표면 패턴이 목표 패턴에 가까우면서 입력 반사(S11) 수준이 허용 가능한가?
• RQ4 실용적 제약 내에서 예측된 패턴을 구현하기 위해 필요한 반응적 로드의 범위는 무엇인가?

주요 결과

• 역방향 네트워크가 다수의 설계 예에서 목표 원거리 패턴을 재현하는 반응적 로드 분포를 정확히 합성한다.
• 마이크로파 네트워크 해석기를 통한 순방향 평가로 계산 시간이 ~12.2 시간(전파형 전체)에서 평가당 ~1.2초로 감소한다.
• 학습된 설계는 목표와의 근접 일치를 달성하며; Table I은 예측 결과와 시뮬레이션 결과 사이의 경쟁력 있는 S11 값을 보여준다.
• 코사인 유사도 손실이 패턴 모양을 효과적으로 정렬하는 한편 S11 제약이 과도한 반사를 억제한다.
• 전고주파 HFSS 검증은 메타표면 설계가 의도한 빔 패턴을 달성함을 확인한다.