[논문 리뷰] Spectral splitting and concentration of broadband light using neural networks

Alim Yolalmaz, Emre Yüce|arXiv (Cornell University)|2020. 11. 01.

Photonic and Optical Devices참고 문헌 46인용 수 5

한 줄 요약

이 논문은 광스펙트럼을 분리하고 공간적으로 집중시키는 데 사용되는 회절성 광학 소자를 SpliCons라고 부르며, 이를 위한 딥 뉴럴 네트워크 프레임워크를 제안한다. 강도-위상 매핑에 기반한 훈련을 통해 GPU에서 2초 이내에 96.6 ± 2.3%의 정확도를 달성하며, 반복 최적화 방법을 능가하고 공간 광학 조절기(SLM)를 통한 실험적 검증을 가능하게 한다.

ABSTRACT

Compact photonic elements that control both the diffraction and interference of light offer superior performance at ultra-compact dimensions. Unlike conventional optical structures, these diffractive optical elements can provide simultaneous control of spectral and spatial profile of light. However, the inverse-design of such a diffractive optical element is time-consuming with current algorithms, and the designs generally lack experimental validation. Here, we develop a neural network model to experimentally design and validate SpliCons; a special type of diffractive optical element that can achieve spectral splitting and simultaneous concentration of broadband light. We use neural networks to exploit nonlinear operations that result from wavefront reconstruction through a phase plate. Our results show that the neural network model yields enhanced spectral splitting performance for phase plates with quantitative assessment compared to phase plates that are optimized via local search optimization algorithm. The capabilities of the phase plates optimized via neural network are experimentally validated by comparing the intensity distribution at the output plane. Once the neural networks are trained, we manage to design SpliCons with 96.6 $\pm$ 2.3% accuracy within 2 seconds, which is orders of magnitude faster than iterative search algorithms. We openly share the fast and efficient framework that we develop in order to contribute to the design and implementation of diffractive optical elements that can lead to transformative effects in microscopy, spectroscopy, and solar energy applications.

연구 동기 및 목표

• 광대역 빛을 동시에 분리하고 집중시키는 다기능 회절성 광학 소자의 설계에서 발생하는 계산적 병목 현상을 해결하기 위해.
• 광대역 빛을 위한 위상판의 역설계에서 발생하는 일대다 매핑 문제를 극복하기 위해.
• 딥 러닝을 활용해 SpliCons의 빠르고 정확하며 실험적으로 검증된 설계를 가능하게 하기 위해.
• 고급 광학 장치 개발을 가속화하기 위한 오픈소스 프레임워크를 제공하기 위해.

제안 방법

• SpliCons의 입력 강도 분포에서 해당 위상 패턴으로 매핑하는 데 목적을 둔 딥 뉴럴 네트워크를 훈련시켰다.
• 감독 학습을 위해 알려진 회절 패턴(입력)과 그에 해당하는 위상판(출력)의 데이터셋을 사용했다.
• 훈련 후 단일 GPU를 활용해 2초 이내에 추론을 수행했다.
• ReLU 활성화 함수와 배치 정규화를 적용한 완전 연결 신경망 아키텍처를 사용했다.
• 공간 광학 조절기(SLM)를 활용해 예측된 강도 분포를 재구성함으로써 설계를 실험적으로 검증했다.
• 파면 데이터로부터 복잡한 비선형 위상 복원을 학습하도록 네트워크를 훈련시켜 일대다 매핑 문제를 해결했다.

실험 결과

연구 질문

• RQ1 딥 러닝은 광대역 빛을 동시에 분리하고 집중시키는 SpliCons의 역설계 문제를 효과적으로 해결할 수 있는가?
• RQ2 신경망은 스펙트럼 성분 간에 일반화하여 광대역 조명 조건에서 정확한 위상 패턴을 생성할 수 있는가?
• RQ3 신경망 기반으로 설계된 SpliCons의 성능은 전통적인 반복 최적화 방법에 비해 어떻게 비교되는가?
• RQ4 훈련된 모델은 실시간 위상판 설계에서 높은 정확도와 빠른 속도를 달성할 수 있는가?
• RQ5 신경망 기반으로 설계된 SpliCons의 실험적 구현은 타당하고 정확한가?

주요 결과

• 신경망은 GPU에서 2초 이내에 SpliCons 설계를 96.6 ± 2.3%의 정확도로 수행했으며, 반복 최적화 방법보다 훨씬 빠르게 성능을 발휘했다.
• 강도 분포 비교를 통해 정량적으로 평가한 결과, 모델은 국소 탐색 최적화 알고리즘보다 스펙트럼 분리 성능에서 뛰어났다.
• 공간 광학 조절기(SLM)를 활용한 실험적 검증을 통해 출력 평면에서 예측된 강도 분포가 확인되었다.
• 이 프레임워크는 분광학, 현미경, 태양 에너지 등 다양한 분야에서 다기능 회절성 광학 소자의 빠르고 정확하며 확장 가능한 설계를 가능하게 한다.
• 프레임워크와 데이터셋의 오픈소스 배포를 통해 커뮤니티의 도입을 지원하고 광학 장치 설계 분야의 혁신을 가속화한다.
• 이 방법은 광대역 위상판의 역설계에서 내재된 일대다 매핑 문제를 성공적으로 해결했다.