[논문 리뷰] Simultaneous inverse design of materials and parameters of core-shell nanoparticle via deep-learning: Demonstration of dipole resonance engineering

Sunae So, Jungho Mun외 1명|arXiv (Cornell University)|2019. 04. 05.

Metamaterials and Metasurfaces Applications참고 문헌 35인용 수 5

한 줄 요약

이 논문은 전기 및 자기 듐플 전자공명을 설계하기 위해 코어-쉘 나노입자 재료와 구조적 파arameter를 동시에 역설계하기 위한 딥러닝 프레임워크를 제시한다. T-매트릭스로 계산된 흡수 스펙트럼에 기반하여 맞춤형 다중 작업 손실 함수로 이중 신경망을 훈련시킴으로써, 모델은 빠르고 정확하게 특정 듐플 전자공명을 가진 나노입자를 설계할 수 있게 되었으며, 스펙트럼 조정, 고립된 자기 듐플 전자공명, 전기 및 자기 듐플 전자공명이 스펙트럼 상으로 겹치는 경우를 통해 성능을 입증하였다. 이는 데이터 기반 나노광학 설계 분야에서의 중대한 진전을 나타낸다.

ABSTRACT

Recent introduction of data-driven approaches based on deep-learning technology has revolutionized the field of nanophotonics by allowing efficient inverse design methods. In this paper, simultaneous inverse design of materials and structure parameters of core-shell nanoparticle is achieved for the first time using deep-learning of a neural network. A neural network to learn correlation between extinction spectra of electric and magnetic dipoles and core-shell nanoparticle designs, which include material information and shell thicknesses, is developed and trained. We demonstrate deep-learning-assisted inverse design of core-shell nanoparticle for 1) spectral tuning electric dipole resonances, 2) finding spectrally isolated pure magnetic dipole resonances, and 3) finding spectrally overlapped electric dipole and magnetic dipole resonances. Our finding paves the way of the rapid development of nanophotonics by allowing a practical utilization of a deep-learning technology for nanophotonic inverse design.

연구 동기 및 목표

• 코어-쉘 나노입자에서 나노광학적 응용을 위해 재료 조성과 구조적 파arameter를 동시에 최적화하는 데 도전하는 문제를 해결하기 위해.
• 역설계를 위해 연속적 변수(구조적 파aram터)와 이산적 변수(재료 유형)를 동시에 다룰 수 있는 딥러닝 프레임워크 개발을 위해.
• 단일 GPU를 사용하여 특정 전기 및 자기 듐플 전자공명을 가진 코어-쉘 나노입자를 신속하고 정확하게 설계할 수 있도록 하기 위해.
• 세 가지 역설계 과제를 통해 실용적 유용성을 입증하기 위해: 스펙트럼 조정, 고립된 자기 듐플 전자공명, 겹치는 듐플 전자공명

제안 방법

• 이중 신경망 아키텍처를 사용함: 설계 네트워크(DN)는 흡수 스펙트럼을 설계 파aram터로 매핑하고, 스펙트럼 네트워크(SN)는 설계에서 스펙트럼을 재구성하여 손실 계산에 사용함.
• 두께에 대한 회귀 손실과 재료 인덱스에 대한 분류 손실을 조합한 손실 함수를 사용하여 연속적 및 이산적 설계 변수를 동시에 최적화함.
• 데이터셋은 T-매트릭스 방법을 사용하여 300–1000 nm 범위의 100 nm 파장 간격에서 흡수 스펙트럼을 계산하여 생성되었으며, 7종의 인덱스된 재료(Ag, Au, Al, Cu, TiO2, SiO2, Si)를 포함함.
• 비물리적 굴절률을 방지하고 실현 가능한 재료에서 훈련할 수 있도록 재료 유형을 정수(0–6)로 인코딩함.
• 외부 반지름이 10 nm에서 150 nm 사이에 제한된 10,000개의 고유한 코어-쉘 나노입자 구성에서 모델을 훈련함.
• 역설계는 목표 흡수 스펙트럼을 DN에 입력하여 예측된 재료 유형과 코팅 두께를 출력함.

실험 결과

연구 질문

• RQ1 딥러닝은 원하는 광학적 반응을 위해 코어-쉘 나노입자에서 재료 유형과 구조적 파aram터를 동시에 최적화할 수 있는가?
• RQ2 단일 신경망 아키텍처는 재료 및 기하학적 구조의 역설계에 필요한 동시에 회귀 및 분류 문제를 효과적으로 다룰 수 있는가?
• RQ3 모델은 가시광선에서 가까운 적외선 영역까지 스펙트럼 조정된 전기 드립올 전자공명을 정확하게 설계할 수 있는가?
• RQ4 모델은 스펙트럼적으로 고립된 자기 드립올 전자공명을 갖는 구성 요소를 식별할 수 있는가?
• RQ5 모델은 전기 및 자기 드립올 전자공명이 스펙트럼 상으로 겹치는 설계를 발견하여 빛-물질 상호작용을 강화할 수 있는가?

주요 결과

• 딥러닝 모델은 흡수 스펙트럼과 코어-쉘 나노입자 설계(재료 유형 및 코팅 두께 포함) 사이의 복잡한 매핑을 성공적으로 학습함.
• 전기 드립올 전자공명의 스펙트럼 조정을 위해, 모델은 재료와 두께를 수정함으로써 350 nm에서 400 nm로 전자공명을 이동시키는 설계를 정확하게 예측함.
• 380 nm에서 스펙트럼적으로 고립된 자기 드립올 전자공명을 갖는 구성 요소를 식별함. 이는 해당 파장에서 전기 드립올 기여가 없음을 확인함.
• 390 nm에서 전기 및 자기 드립올 전자공명이 겹치는 설계를 발견함으로써 강한 다극자 간섭을 가능하게 함.
• 모델은 점진적인 스펙트럼 변화에 대해 강건성을 보이며, 40 nm 조정 범위 동안 재료 및 두께 변화를 정확하게 예측함.
• 훈련된 모델은 예측당 밀리초 수준의 속도로 역설계를 수행하여, 기존 최적화 방법 대비 설계 공간 탐색이 매우 신속하게 가능함.