[논문 리뷰] Progressive-Growing of Generative Adversarial Networks for Metasurface Optimization

Fufang Wen, Jiaqi Jiang외 1명|arXiv (Cornell University)|2019. 11. 29.

Metamaterials and Metasurfaces Applications인용 수 5

한 줄 요약

이 논문은 메타표면 설계를 향상시키기 위해 훈련 중에 GAN 아키텍처와 훈련 세트를 점진적으로 확장하는 프로그레시브 성장 생성 대비 신경망(PGGAN) 프레임워크를 제안한다. 고효율의 GAN 생성 장치로 반복적으로 훈련 데이터를 정밀화하고 해상도를 점진적으로 증가시키는 방식으로, 후처리 정밀 조정 없이 기울기 기반의 구조 최적화 수준의 장치 성능을 달성하며, 계산적 병목 현상을 제거한다.

ABSTRACT

Generative adversarial networks, which can generate metasurfaces based on a training set of high performance device layouts, have the potential to significantly reduce the computational cost of the metasurface design process. However, basic GAN architectures are unable to fully capture the detailed features of topologically complex metasurfaces, and generated devices therefore require additional computationally-expensive design refinement. In this Letter, we show that GANs can better learn spatially fine features from high-resolution training data by progressively growing its network architecture and training set. Our results indicate that with this training methodology, the best generated devices have performances that compare well with the best devices produced by gradient-based topology optimization, thereby eliminating the need for additional design refinement. We envision that this network training method can generalize to other physical systems where device performance is strongly correlated with fine geometric structuring.

연구 동기 및 목표

• 기존 GAN이 구조적으로 복잡한 메타표면의 미세한 공간적 특징을 포착하는 데에 한계가 있음을 해결하기 위해.
• 반복적인 기울기 기반 최적화를 훈련된 GAN으로 대체함으로써 메타표면 설계의 계산 비용을 감소시키기 위해.
• 점진적 훈련을 통해 GAN 일반화 능력을 향상시켜 생성 후 정밀 조정이 필요 없도록 하기 위해.
• PGGAN이 기울기 최적화된 설계와 비교해도 성능이 동등하거나 이를 초월하는 메타표면을 생성할 수 있음을 입증하기 위해.

제안 방법

• 훈련 중에 레이어를 추가함으로써 생성기와 판별기를 점진적으로 성장시켜, 저해상도 특징에서 시작하여 고해상도 세부 정보로 나아가는 방식으로.
• 훈련 중에 고효율의 GAN 생성 메타표면을 식별하고 데이터셋에 추가함으로써 훈련 세트를 동적으로 확장하는 방식으로.
• 장치 효율을 평가하고 상위 성능을 보인 GAN 생성 장치를 훈련 세트에 포함시키기 위해 전자기 시뮬레이터(RCWA)를 사용하는 방식으로.
• 성능이 열악한 장치(각 파장-편향 조합에서 최고 효율의 85% 이하)를 훈련 세트에서 제거하여 성능 저하를 방지하는 방식으로.
• 다양한 파장과 입사각에서 정상 입사광을 +1 회절 주문으로 편향시키는 메타그레팅을 생성하기 위해 조건부 PGGAN을 훈련하는 방식으로.
• 광범위한 커버리지와 효과적인 일반화를 확보하기 위해 13개 파장(500–1100 nm)과 11개 편향 각도(35°–85°)에 대해 조밀한 샘플링을 적용하는 방식으로.

실험 결과

연구 질문

• RQ1 네트워크 아키텍처와 훈련 세트 양쪽을 점진적으로 성장시키는 것이 표준 GAN보다 GAN 생성 메타표면의 정밀도를 향상시키는가?
• RQ2 고효율의 GAN 생성 장치로 동적 훈련 세트 보강을 수행할 경우 생성기의 최종 성능이 향상되는가?
• RQ3 후처리 정밀 조정 없이 PGGAN이 기울기 기반의 구조 최적화 성능을 어느 정도 재현하거나 초월할 수 있는가?
• RQ4 네트워크 성장과 훈련 세트 성장의 조합이 각각 개별적으로 적용했을 때의 장치 효율에 비해 어떤가?
• RQ5 이러한 방법이 미세한 기하학적 구조가 장치 성능에 강하게 영향을 주는 다른 물리적 시스템으로도 일반화 가능한가?

주요 결과

• PGGAN는 기울기 기반의 최적화로 도출된 최고 수준의 장치와 유사한 평균 장치 효율을 달성하여 생성 후 정밀 조정이 불필요해졌다.
• 훈련 세트 성장만으로도 평균 GAN 생성 장치 효율이 약 20% 향상되었고, 네트워크 성장만으로는 약 10% 향상되었다.
• 두 성장 전략을 병합한 결과 가장 높은 성능를 기록했으며, PGGAN가 생성한 장치가 최고 수준의 훈련 세트 장치의 효율을 충족하거나 초월했다.
• PGGAN의 총 계산 비용은 3,038,500회 전자기 시뮬레이션을 차지했으며, 전체 기울기 기반 최적화에 필요한 1680만 회의 시뮬레이션보다 크게 낮았다.
• 훈련 후에는 13개 파장-편향 조합 당 2,000개의 생성 장치를 평가하기 위해 단지 286,000회의 시뮬레이션만 필요로 해 높은 추론 효율성을 입증했다.
• 이 방법은 13개 파장과 11개 편향 각도에 걸쳐 조밀하게 분포된 범위에서 일관되고 높은 효율을 유지하는 고성능 메타그레팅을 성공적으로 생성했다.