[論文レビュー] Deep Convolutional Neural Networks to Predict Mutual Coupling Effects in Metasurfaces

Sensong An, Bowen Zheng+14 more|arXiv (Cornell University)|Feb 2, 2021

Metamaterials and Metasurfaces Applications参考文献 34被引用数 9

ひとこと要約

本論文では、近接場相互作用を考慮して、大規模なアレイ内のメタ原子の電磁応答をモデル化することで、メタサーフェスにおける相互結合効果を予測するための深層畳み込みニューラルネットワーク（CNN）を提案する。この手法は、位相および振幅の予測をミリ秒スケールで実現し、従来の周期的設計手法と比較してビームデフラクターやメタレンズにおける効率を顕著に向上させる。

ABSTRACT

Metasurfaces have provided a novel and promising platform for the realization of compact and large-scale optical devices. The conventional metasurface design approach assumes periodic boundary conditions for each element, which is inaccurate in most cases since the near-field coupling effects between elements will change when surrounded by non-identical structures. In this paper, we propose a deep learning approach to predict the actual electromagnetic (EM) responses of each target meta-atom placed in a large array with near-field coupling effects taken into account. The predicting neural network takes the physical specifications of the target meta-atom and its neighbors as input, and calculates its phase and amplitude in milliseconds. This approach can be applied to explain metasurfaces' performance deterioration caused by mutual coupling and further used to optimize their efficiencies once combined with optimization algorithms. To demonstrate the efficacy of this methodology, we obtain large improvements in efficiency for a beam deflector and a metalens over the conventional design approach. Moreover, we show the correlations between a metasurface's performance and its design errors caused by mutual coupling are not bound to certain specifications (materials, shapes, etc.). As such, we envision that this approach can be readily applied to explore the mutual coupling effects and improve the performance of various metasurface designs.

研究の動機と目的

• 周期的境界条件を仮定する従来のメタサーフェス設計の不正確さを是正すること。
• 局所的な環境を考慮した真の電磁応答を予測するデータ駆動型アプローチの開発。
• 相互結合による効率損失の定量化と補正を通じて、メタサーフェスの性能最適化を可能にすること。
• 本手法の異なる材料、形状、メタサーフェス構成にわたる汎用性を実証すること。

提案手法

• 深層畳み込みニューラルネットワークを用いて、ターゲットのメタ原子の位相および振幅応答を、自身および近隣要素の幾何学的・材料的仕様に基づき予測する。
• ネットワークの入力には、ターゲットおよび周囲のメタ原子の物理的パラメータ（例：形状、材料、位置）を符号化した空間的特徴マップが含まれる。
• 多様なメタサーフェス構成について、フルウェーブ電磁界シミュレーションを教師データとして用いてネットワークを訓練する。
• モデルは、ビームデフラクターやメタレンズを含むさまざまなメタサーフェスアーキテクチャに一般化可能であるように設計されている。
• 推論はミリ秒スケールで実行され、リアルタイムの予測と最適化パイプラインへの統合を可能にする。
• 予測応答とフルウェーブシミュレーション結果の比較を通じて、手法の妥当性を検証し、デバイス効率の向上を測定する。

実験結果

リサーチクエスチョン

• RQ1 非一様な近隣要素の影響を受けるメタ原子の電磁応答を、深層学習モデルがどの程度正確に予測できるか？
• RQ2 相互結合を考慮することで、ビームデフラクターやメタレンズなどのメタサーフェスデバイスの効率がどの程度向上するか？
• RQ3 再トレーニングを必要とせずに、異なる材料、幾何形状、アレイ構成にわたって、提案された深層学習モデルが一般化可能か？
• RQ4 相互結合を無視することで生じる設計誤差が、メタサーフェスの性能に及ぼす影響は何か？
• RQ5 モデルの予測速度が、逆設計ワークフローへの実用的統合をどのように可能にするか？

主な発見

• 提案されたCNNモデルは、1ミリ秒未塔でメタ原子の位相および振幅応答を予測でき、迅速な設計反復を可能にする。
• 従来の周期的設計手法と比較して、ビームデフラクターやメタレンズの両方で顕著な効率向上が達成された。
• 相互結合による性能劣化は特定の材料や幾何形状に限定されないことが確認され、本手法の広範な関連性が裏付けられた。
• 再トレーニングを必要とせずに、異なる材料や構造的配置を含む多様なメタサーフェス設計に一般化可能である。
• 設計誤差と性能劣化の相関関係が、モデルの予測を通じて定量的に説明され、是正された。
• 最適化アルゴリズムとモデルを統合することで、従来の設計ルールでは到達できなかった高効率なメタサーフェス構成の発見が可能になった。