[논문 리뷰] A Hybrid Strategy for the Discovery and Design of Photonic Nanostructures

Zhaocheng Liu, Lakshmi Raju외 2명|arXiv (Cornell University)|2019. 02. 06.

Photonic Crystals and Applications참고 문헌 2인용 수 9

한 줄 요약

이 논문은 광학 나노구조물의 자동 역설계를 위한 하이브리드 딥러닝 및 진화 최적화 프레임워크를 제안한다. 변분 오토인코더를 통해 나노구조 패턴을 연속적인 잠재 공간에 인코딩하고, 수정된 진화 전략을 사용해 이 공간에서 최적화함으로써, 사용자가 정의한 스펙트럼 응답을 충족하는 메타표면을 95% 이상의 정확도로 생성한다. 이는 사전 기하학적 가정 없이 효율적이고 수요에 맞는 설계를 가능하게 한다.

ABSTRACT

Designing complex physical systems, including photonic structures, is typically a tedious trial-and-error process that requires extensive simulations with iterative sweeps in multi-dimensional parameter space. To circumvent this conventional approach and substantially expedite the discovery and development of photonic structures, here we develop a framework leveraging both a deep generative model and a modified evolution strategy to automate the inverse design of engineered nanophotonic materials. The capacity of the proposed methodology is tested through the application to a case study, where metasurfaces in either continuous or discrete topologies are generated in response to customer-defined spectra at the input. Through a variational autoencoder, all potential patterns of unit nanostructures are encoded into a continuous latent space. An evolution strategy is applied to vectors in the latent space to identify an optimized vector whose nanostructure pattern fulfills the design objective. The evaluation shows that over 95% accuracy can be achieved for all the unit patterns of the nanostructure tested. Our scheme requires no prior knowledge of the geometry of the nanostructure, and, in principle, allows joint optimization of the dimensional parameters. As such, our work represents an efficient, on-demand, and automated approach for the inverse design of photonic structures with subwavelength features.

연구 동기 및 목표

• 복잡한 광학 나노구조물 설계에서 전통적인 시행착오 방식의 비효율성을 극복하기 위해.
• 서브파장 특징을 지닌 광학 재료의 자동화되고 수요에 맞는 역설계를 가능하게 하기 위해.
• 나노구조 형상에 대한 사전 기하학적 가정이 필요 없도록 하기 위해.
• 다차원 설계 공간 내 차원 매개변수를 공동으로 최적화하기 위해.
• 사용자 정의된 스펙트럼 응답을 갖는 메타표면을 설계하기 위한 확장 가능하고 일반화 가능한 프레임워크를 개발하기 위해.

제안 방법

• 변분 오토인코더(VAE)가 모든 잠재적인 단위 나노구조 패턴을 연속적이며 저차원의 잠재 공간으로 인코딩하도록 훈련된다.
• 잠재 공간 표현을 통해 복잡하고 고차원적인 나노구조 기하학적 구조의 효율적 탐색이 가능해진다.
• 목표 스펙트럼 응답을 달성하기 위해 잠재 공간 내 벡터를 최적화하기 위해 진화 전략이 적용된다.
• 최적화 과정은 전체 파동 시뮬레이션에서 유도된 적합도 평가 기반으로 반복적으로 잠재 벡터를 진화시킨다.
• 이 프레임워크는 연속형 및 이산형 메타표면의 구조를 모두 지원한다.
• 이 방법은 엔드 투 엔드로 미분 가능하며, 나노구조 기하학에 대한 사전 지식이 필요하지 않다.

실험 결과

연구 질문

• RQ1 딥 러닝 생성 모델이 다양한 광학 나노구조 패턴을 연속적인 잠재 공간에 효과적으로 인코딩할 수 있는가?
• RQ2 잠재 공간 내에서의 진화 전략이 주어진 스펙트럼 목표를 충족하는 나노구조를 얼마나 정확하게 발견할 수 있는가?
• RQ3 사전 기하학적 제약 없이 다수의 차원 매개변수를 공동으로 최적화할 수 있는가?
• RQ4 이 방법은 다양한 메타표면 구조(연속형 대비 이산형)에 대해 어느 정도 일반화되는가?
• RQ5 기존 반복적 시뮬레이션 방법에 비해 이론적 설계의 계산 비용을 상당히 줄일 수 있는가?

주요 결과

• 모든 테스트된 단위 패턴에서 목표 스펙트럼 응답을 충족하는 나노구조를 95% 이상의 정확도로 생성하는 데 성공했다.
• 변분 오토인코더는 복잡한 나노구조 기하학의 압축되고 의미 있는 잠재 표현을 성공적으로 학습했다.
• 잠재 공간 내에서의 진화 전략은 기울기 정보가 필요 없이도 효율적으로 최적 설계로 수렴한다.
• 이 방법은 기하학적 구조의 형상에 대한 사전 가정 없이도 다수의 차원 매개변수를 공동으로 최적화할 수 있다.
• 이 접근은 연속형 및 이산형 메타표면 구조 모두에서 뛰어난 강건성을 보였다.
• 고차원 매개변수 공간에서 광범위한 수동 시뮬레이션 스윕이 크게 감소되었다.