[論文レビュー] Deep Wavefront Shaping: Intelligent Control of Complex Scattering Responses with a Programmable Metasurface

Benjamin W. Frazier, Thomas M. Antonsen+2 more|arXiv (Cornell University)|Jan 1, 2021

Metamaterials and Metasurfaces Applications被引用数 2

ひとこと要約

この論文は、複雑な散乱環境における電磁波の知能的な制御を可能にする、深層学習ネットワークを用いたデュアル波面形状技術を紹介する。この手法は、未確認の状況に対しても波面を正確に再構築し、望ましい散乱応答を得るための最適なメタサーフェス設定を特定することができ、動的で知能的な再構成可能無線環境の実現を可能にする。

ABSTRACT

Electromagnetic environments are becoming increasingly complex and congested, creating a growing challenge for systems that rely on electromagnetic waves for communication, sensing, or imaging. The use of intelligent, reconfigurable metasurfaces provides a potential means for achieving a radio environment that is capable of directing propagating waves to optimize wireless channels on-demand, ensuring reliable operation and protecting sensitive electronic components. Here we introduce ``deep wavefront shaping'', a technique that combines a deep learning network with a binary programmable metasurface to shape waves in complex electromagnetic environments and to drive the system towards a desired scattering response. We applied this technique for wavefront reconstruction, and accurately determined metasurface configurations based on measured system scattering responses in a chaotic microwave cavity. The state of the metasurface that realizes desired electromagnetic wave field distribution properties was successfully determined even in cases previously unseen by the deep learning algorithm. Our work represents an important step towards realizing intelligent reconfigurable metasurfaces for smart radio environments that can ensure both the integrity of electronic systems and optimum performance of wireless networks.

研究の動機と目的

• 現代の無線環境における電磁波干渉と混雑の増大という課題に対処すること。
• 複雑な散乱媒体における電磁波伝搬の知的でオンデマンドの制御を可能にすること。
• 学習された散乱応答を用いて、望ましい波面を実現するための最適なメタサーフェス設定を特定するシステムの開発。
• 深層学習の一般化能力を活用して、未確認のシナリオにおいても堅牢な性能を確保すること。
• 無線ネットワークの信頼性を向上させるとともに、感度の高い電子機器を保護するスマート無線環境の実現を前進させること。

提案手法

• 測定された散乱応答から、望ましい波面を生成するメタサーフェス設定へマッピングするための深層ニューラルネットワークを採用する。
• 電磁波伝搬を動的に再構成可能な、バイナリプログラマブルメタサーフェスを波面形状デバイスとして使用する。
• 混沌としたマイクロ波キャビティ内でのシミュレートまたは測定済みの散乱応答を用いて、深層学習モデルを訓練し、複雑な波-メタサーフェスマッピングを学習する。
• 訓練済みモデルを用いて、新しい、以前に見られなかった散乱応答のメタサーフェス状態を予測する。
• 制御されたマイクロ波環境で、予測された波面と実際の測定場を比較することで、手法の妥当性を検証する。
• 波面再構築を、深層学習駆動のメタサーフェス制御の正確性と一般化能力を検証するための主要タスクとして用いる。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、測定された散乱応答から、望ましい電磁波波面を生成するためのメタサーフェス設定を正確に予測できるか？
• RQ2 深層学習モデルは、学習データに含まれない未確認の散乱応答へどの程度一般化できるか？
• RQ3 入力の散乱測定値のみを用いて、複雑で混沌とした電磁界環境における波面再構築はどの程度効果的に可能か？
• RQ4 深層学習とプログラマブルメタサーフェスの組み合わせにより、動的環境における電磁波伝搬のリアルタイムで知的な制御が可能になるか？

主な発見

• 深層学習モデルは、望ましい電磁波場分布を実現するためのメタサーフェス設定を正常に特定した。
• 混沌としたマイクロ波キャビティ内での測定された散乱応答に基づき、システムは波面を正確に再構築した。
• モデルは未確認の散乱応答へ一般化でき、学習データをはるかに超えた堅牢性を示した。
• 入出力測定値のみを用いて、複雑な環境における波動伝搬の知的制御を実現した。
• 極めて無秩序な電磁界環境においても、信頼性の高い波面形状が達成された。
• 深層学習とプログラマブルメタサーフェスの統合により、動的でオンデマンドの無線チャネル最適化が可能になった。